ShuffleNet算法初学

ShuffleNet

论文：ShuffleNet: An Extremely Efficient Convolutional Neural Network for Mobile Devices
论文链接：https://arxiv.org/abs/1707.01083

• group conv 与 channel shuffle
  分组卷积（group conv）将卷积输入从通道数上等分成多个组，相应的卷积核也会在通道数维度上等分成多个组，计算卷积时一个输入分组与一个卷积核分组计算出一个 featureMap，那么一个卷积输入（包含多个输入分组）与一个卷积核（包含多个卷积核分组）计算得出多个featureMap，为计算出原始的 featureMaps，只需更少的卷积核数量，从而卷积核参数量核计算量都降低了。
  分组卷积中利用局部通道上的卷积降低了卷积核参数量核计算量，但是分组卷积只融合了卷积输入部分通道的信息。channel shuffle将分组卷积的输出featureMap在通道维度上重新映射，称为shuffle，如下图(a)->©所示，过程如图(b)。
  
  shuffle的具体细节如下图所示，将g*n个通道分组reshape成（g,n），再转置为（n,g），平坦化，再分回g组作为下一层的输入。