（论文阅读）All You Need is a Few Shifts: Designing Efficient Convolutional Neural Networks for Image

问题：移位操作受限于移位操作（memory movement）。主要体现在计算内存较小时，如GPU。

目的：解决移位操作中，内存移动的限制。

方法：采用稀疏移位层（sparse shift layer）（较少的移位操作）构建有效的卷积神经网络。

具体做法：

1.在损失函数中给无用的移位操作添加惩罚项，去除无用的移位操作：

 
        2.Fully-Exploited Network（FE-Net）:每层部分特征图参与计算，其它特征图不参与计算而是直接当做下一层特征图。 

移位操作和深度可分离卷积的比较：

shift operation	depthwise separable convolution
和深度可分离卷积结构相同时节省运行时间	运行时间长
运行时间不受核尺寸的影响	运行时间受卷积核尺寸影响

补充知识点：

名词	解释
shift operation	（移位操作）区别于深度可分离卷积，先把原通道进行移位操作然后直接运用1x1卷积操作。
depthwise separable convolution	(深度可分离卷积)将传统的卷积核拆分成两部分，例如：将3x3（x3）x96的卷积核拆分成3x3（x3）不加和操作+1x1（x3）x96加和操作的卷积。
memory movement	（内存移动）将源内存地址的内容拷贝到目标内存地址中。
float point opera- tions (FLOPs)	（浮点运算）要计算的数是浮点型