注： 由於所寫內容是讀了文章之後，然後放在一邊，用自己理解的話來寫的，可能會與原paper不太一致，甚至可能理解的不對，敬請指正！
讀了paper的前面的介紹之後，一個整體的印象是這個network的設計複雜度和計算量都降了不少，而且performance也是不錯的，網絡的結構也比較的thin，可能這對於做模型壓縮是一個啓發。
然後個人覺得這個paper的主要想法是做了一個分解，把以前正常的卷積，分解成了兩步，並且在paper中作者還給出了具體計算量的公式。
大體的知識體系是這樣的。
圖a是standard cnn， 假設輸入是(D_f,D_f,M)那麼和一個(D_k,D_k,M)的kernel“卷積”之後，得到的是(D_f,D_f,1)的，那麼和N個kernel作卷積的話得到的就是(D_f, D_f, N )的。
而這篇文章中提出可以作兩部作，形象地理解的話，相當於把一個“大矩陣”分解了。
假設輸入仍是(D_f, D_f,M)可以把它看成M個（D_f, D_f, 1）的輸入粘在一塊兒的，那麼現在第一步對於這其中的每一個用（D_k,D_k,1）的去做卷積，得到的是（D_f, D_f,1）的，那麼用M個的話， 看圖b，得到的就是M個,再粘到一塊兒的話就是（D_f, D_f, M）大小的，
然後進行第二步，上面得到的（D_f, D_f, M）大小的，和一個（1,1,M）的做“卷積”的話，得到的是(D_f,D_f,1)大小的，
如果和N個去做總面積的話，就得到N個（D_f, D_f,1）這樣的，粘到一塊兒還是（D_f, D_f, N ）形狀的，這和standard cnn出來的形狀是一致的，但是計算量和複雜度卻減少了很多。
具體的可以見下圖
標準的CNN如左圖，經過Conv->BN->Relu
而現在調成爲， DepthwiseConv(就是第一步)->BN->Relu->1*1 Conv(第二步)->BN->Relu
也就是在BN-Relu之前分別把兩步插入其中。
歡迎指正~