RepVGG：让VGG风格的ConvNet再次伟大起来

引言

经典的卷积神经网络（ConvNet）VGG [31]在图像识别中取得了巨大的成功，其简单的架构由conv、ReLU和池化的堆栈组成。随着Inception [33，34，32，19]、ResNet [12]和DenseNet [17]的出现，许多研究兴趣转向了设计良好的架构，使得模型越来越复杂。一些最近的架构基于自动[44，29，23]或手动[28]架构搜索，或搜索的复合缩放策略[35]。

尽管许多复杂的ConvNet比简单的ConvNet具有更高的精度，但缺点也很明显

1. 复杂的多分支设计（例如，ResNet中的跳跃连接和Inception中的分支级联）使得模型难以实现和定制，减慢了推理速度，降低了内存利用率
2. 一些组件（例如，Xception [3]和MobileNets [16，30]中的深度卷积和ShuffleNet [24，41]中的通道重排）增加了存储器访问成本，并且缺乏对各种设备的支持。由于影响推理速度的因素太多，浮点运算（FLOPs）的数量并不能精确地反映实际速度。

由于多分支结构的优点都是用于训练ÿ