关于ShuffleNetV1中的channel shuffle操作【代码分析】

1. 官方给出的代码 

旷视科技在自己的开源GitHub上给出的channel shuffle相关代码如下图所示：

      分析上图中的代码，旷视科技将channel shuffle这个操作视为一个函数，函数传入的参数是输入张量x，x的shape为(batchsize, num_channels, height, width)。
      首先对输入张量x使用data.size() 方法进行解包，从输入张量 x 中提取批量大小、通道数、高度和宽度。
      使用assert函数检查 group【分组个数】是否能够整除num_channels，若不能够整除，则函数运行到此处抛出AssertionError 异常；若能够整除，则正常运行。
      每个小组的通道数group_channels 为总体通道数num_channels除分组个数group。
接下来的三行代码均对x操作，我们一步一步来剖析：
首先经过：

x = x.reshape(batchsize, group_channels, self.group, height, width)

      这表示x需要经过reshape操作，将num_channels分为group个组，每个组中的通道数为group_channels。

在经过如下操作：

x = x.permute(0, 2, 1, 3, 4)

      这表示要将x的第1个维度与第2个维度进行互换，也就是说，可以理解为在这里对x经历了转置操作。

• 重新排列维度，使得维度的顺序变为：
  • 维度 0：批量大小保持不变。
  • 维度 2：将组的维度移到第二位。
  • 维度 1：将每组的通道维度移到后面。
  • 维度 3 和 4：高度和宽度保持不变。
• 这一步的作用是将不同组的通道位置互换，从而实现通道间的信息交互。

然后再经过如下操作：

x = x.reshape(batchsize, num_channels, height, width)

将重排后的张量重塑回 (batchsize, num_channels, height, width) 原始形状。
最后借助 return x 返回channel shuffle后的张量。

总结 

该方法实现了channel shuffle的过程，通过将通道分组、重排和恢复形状来增强通道间的信息交互，通常用于提升轻量级网络的性能。channel shuffle有助于使模型更好地利用特征共享，提高整体表现。 

 2. 喂入测试张量进行测试【图例分析】

假设输入张量的shape为：(1, 12, 1, 1)  group=3
首先通过以下代码构建输入张量，使用unsqueeze函数是为了给一维张量进行扩维，使之符合输入张量的shape。

对官方代码小修小改，得到独立可运行的channel_shuffle函数，如下图所示：

以图说明上述代码：