分类任务精度：
ShuffleNet v2 ≥MobileNet v2 > ShuffeNet v1 > Xception
检测任务精度：
ShuffleNet v2 > Xception ≥ ShuffleNet v1 ≥ MobileNet v2
ｐｓ：
１．输入网络大小，比如增加网络宽度，网络输入从224*224变为了299*299。也就是特征图也变大了，网络"变宽"。
２．mobileNet只做了3*3卷积的deepwiseconvolution，而1*1的卷积还是传统的卷积方式，还存在大量冗余，ShuffleNet则在此基础上，将1*1卷积做了shuffle和group操作，实现了channel shuffle 和pointwise group convolution操作，最终使得速度和精度都比mobileNet有提升。
3.1*1卷积只有一个参数，相当于对原始feature map做了一个scale
4.Eltwise：
Concat层虽然利用到了上下文的语义信息，但仅仅是将其拼接起来，之所以能起到效果，在于它在不增加算法复杂度的情形下增加了channel数目。那有没有直接关联上下文的语义信息呢？答案是Eltwise层，被广泛使用，屡试不爽，并且我们常常拿它和Concat比较，所以我常常一起说这两个层。我们普遍认为，像这样的“encoder-decoder”的过程，有助于利用较高维度的feature map信息，有利于提高小目标的检测效果。
Eltwise层有三种类型的操作：product(点乘)、sum(求和)、max(取最大值)，顾名思义，sum就是把bottom的对应元素相加，product就是对应相乘，max就是对应取最大，其中sum为默认操作sum操作仍然是我们用的最多的。效果上，Eltwise因为更直接的利用了上下文信息，所以精度提高，但是Eltwise的操作却增加了算法耗时，而Concat层虽然提高的精度没有Eltwise那么明显，但是训练和测试速度相对快了一点，所以应用时更看如何权衡两者能不能满足自己项目的需求。。
https://blog.csdn.net/qq_14845119/article/details/73648100
Inception v1的网络，主要提出了Inceptionmodule结构（1*1，3*3，5*5的conv和3*3的pooling组合在一起），最大的亮点就是从NIN（Network in Network）中引入了1*1 conv，结构如下图所示，代表作GoogleNet
天才般的1*1 conv，从上面的数据可以看出一方面减少了weights，另一方面降低了dimension。
Inception v1的亮点总结如下：
(1)卷积层共有的一个功能，可以实现通道方向的降维和增维，至于是降还是增，取决于卷积层的通道数（滤波器个数），在Inception v1中1*1卷积用于降维，减少weights大小和feature map维度。
(2)1*1卷积特有的功能，由于1*1卷积只有一个参数，相当于对原始feature map做了一个scale，并且这个scale还是训练学出来的，无疑会对识别精度有提升。
(3)增加了网络的深度
(4)增加了网络的宽度
(5)同时使用了1*1，3*3，5*5的卷积，增加了网络对尺度的适应性
这里有2个地方需要注意：
(1)整个网络为了保证收敛，有3个loss
(2)最后一个全连接层之前使用的是global average pooling，全局pooling使用的好了，还是有好多地方可以发挥的。
v2:Batch Normalization: Accelerating Deep Network Training by ReducingInternal Covariate Shift
Inception v2的网络，代表作为加入了BN（Batch Normalization）层，并且使用2个3*3替代1个5*5卷积的改进版GoogleNet。
Inception v2的亮点总结如下：
(1)加入了BN层，减少了InternalCovariate Shift（内部neuron的数据分布发生变化），使每一层的输出都规范化到一个N(0, 1)的高斯，从而增加了模型的鲁棒性，可以以更大的学习速率训练，收敛更快，初始化操作更加随意，同时作为一种正则化技术，可以减少dropout层的使用。
(2)用2个连续的3*3 conv替代inception模块中的5*5，从而实现网络深度的增加，网络整体深度增加了9层，缺点就是增加了25%的weights和30%的计算消耗。
- v3:Rethinking the InceptionArchitecture for Computer Vision
Inception v3网络，主要在v2的基础上，提出了卷积分解（Factorization），代表作是Inceptionv3版本的GoogleNet。
Inception v3的亮点总结如下：
(1) 将7*7分解成两个一维的卷积（1*7,7*1），3*3也是一样（1*3,3*1），这样的好处，既可以加速计算（多余的计算能力可以用来加深网络），又可以将1个conv拆成2个conv，使得网络深度进一步增加，增加了网络的非线性，更加精细设计了35*35/17*17/8*8的模块。
(2)增加网络宽度，网络输入从224*224变为了299*299。
- v4:Inception-v4,Inception-ResNet and the Impact of Residual Connections on Learning
Inception v4主要利用残差连接（Residual Connection）来改进v3结构，代表作为，Inception-ResNet-v1，Inception-ResNet-v2，Inception-v4
resnet中的残差结构如下，这个结构设计的就很巧妙，简直神来之笔，使用原始层和经过2个卷基层或者3个卷积层的feature map做Eltwise。
首先介绍几个概念，左边的3*3+3*3(ResNet18，ResNet34)和1*1+3*3+1*1（ResNet50，ResNet101，ResNet152）称为瓶颈单元（bootlenect，因为输入为256，中间为64，输出为256，宽窄宽的结构，像瓶子的颈部）。右面的直线，有的实现是直线中有1*1卷积，称为shortcut。整个bootlenect+shortcut称为Residual uint。几个Residual uint的叠加称为Residual block。Resnet结构都是由4个Residual block组成的。
Inception-ResNet的改进就是使用上文的Inception module来替换resnet shortcut中的bootlenect。
Inception v4的亮点总结如下：
(1)将Inception模块和Residual Connection结合，提出了Inception-ResNet-v1，Inception-ResNet-v2，使得训练加速收敛更快，精度更高。
ILSVRC-2012测试结果如下（single crop）
(2)设计了更深的Inception-v4版本，效果和Inception-ResNet-v2相当。与残差网络融合，效果不逊于v4但训练速度更快的结构。
GoogLeNet Inception V4网络结构：
GoogLeNet Inception ResNet网络结构![]()
(3)网络输入大小和V3一样，还是299*299
- Aggregated ResidualTransformations for Deep Neural Networks
这篇提出了resnet的升级版。ResNeXt，the next dimension的意思，因为文中提出了另外一种维度cardinality，和channel和space的维度不同，cardinality维度主要表示ResNeXt中module的个数，最终结论
（1）增大Cardinality比增大模型的width或者depth效果更好
（2）与 ResNet 相比，ResNeXt 参数更少，效果更好，结构更加简单，更方便设计
其中，左图为ResNet的一个module,右图为ResNeXt的一个module，是一种 split-transform-merge 的思想
- Xception: DeepLearning with Depthwise Separable Convolutions
这篇文章主要在Inception V3的基础上提出了Xception（Extreme Inception），基本思想就是通道分离式卷积（depthwise separable convolution operation）。最终实现了
(1)模型参数有微量的减少，减少量很少，具体如下，
(2)精度较Inception V3有提高，ImageNET上的精度如下，
先说，卷积的操作，主要进行2种变换，
(1)spatial dimensions，空间变换。如 DWC:3*3，groups=N
(2)channel dimension，通道变换。如 PWC:1*1
而Xception就是在这2个变换上做文章。Xception与Inception V3的区别如下：
(1)卷积操作顺序的区别
Inception V3是先做1*1的卷积，再做3*3的卷积，这样就先将通道进行了合并，即通道卷积，然后再进行空间卷积，而Xception则正好相反，先进行空间的3*3卷积，再进行通道的1*1卷积。
(2)RELU的有无
这个区别是最不一样的，Inception V3在每个module中都有RELU操作，而Xception在每个module中是没有RELU操作的，高于Inception V3
- MobileNets: EfficientConvolutional Neural Networks for Mobile Vision Applications
MobileNets其实就是Exception思想的应用。区别就是Exception文章重点在提高精度，而MobileNets重点在压缩模型，同时保证精度。
depthwise separable convolutions的思想就是，分解一个标准的卷积为一个depthwise convolutions和一个pointwise convolution。简单理解就是矩阵的因式分解。
传统卷积和深度分离卷积的区别如下，
假设，输入的feature map大小为DF * DF，维度为M，滤波器的大小为DK * DK，维度为N，并且假设padding为1，stride为1。则，
原始的卷积操作，需要进行的矩阵运算次数为DK · DK · M · N · DF · DF，卷积核参数为DK · DK · N · M
depthwise separable convolutions需要进行的矩阵运算次数为DK · DK ·M · DF · DF + M · N · DF · DF，卷积核参数为DK · DK · M+N · M
由于卷积的过程，主要是一个spatial dimensions减少，channel dimension增加的过程，即N>M，所以，DK · DK · N · M> DK · DK · M+N · M。
因此，depthwise separable convolutions在模型大小上和模型计算量上都进行了大量的压缩，使得模型速度快，计算开销少，准确性好。如下图所示，其中，横轴MACS表示加法和乘法的计算量（Multiply-Accumulates），纵轴为准确性。
depthwise separable convolutions在caffe中，主要通过卷积层中group操作实现，base_line模型大小大概为16M。
mobileNet网络结构如下：
- ShuffleNet: AnExtremely Efficient Convolutional Neural Network for Mobile Devices
这篇文章在mobileNet的基础上主要做了1点改进：
mobileNet只做了3*3卷积的deepwiseconvolution，而1*1的卷积还是传统的卷积方式，还存在大量冗余，ShuffleNet则在此基础上，将1*1卷积做了shuffle和group操作，实现了channel shuffle 和pointwise group convolution操作，最终使得速度和精度都比mobileNet有提升。
如下图所示，
(a)是原始的mobileNet的框架，各个group之间相互没有信息的交流。
(b)将feature map做了shuffle操作
(c)是经过channel shuffle之后的结果。
Shuffle的基本思路如下，假设输入2个group，输出5个group
| group 1 | group 2 |
| 1,2,3,4,5 |6,7,8,9,10 |
1.转化为矩阵为2*5的矩阵
1 2 3 4 5
6 7 8 9 10
2.转置矩阵，5*2矩阵
1 6
2 7
3 8
4 9
5 10
3.摊平矩阵
| group 1 | group 2 | group 3 | group 4 | group 5 |
| 1,6 |2,7 |3,8 |4,9 |5,10 |
ShuffleNet Units 的结构如下，
(a)是一个带depthwise convolution (DW Conv)的bottleneck unit
(b)在(a)的基础上，进行了pointwise group convolution (GConv) and channel shuffle
(c)进行了AVG pooling和concat操作的最终ShuffleNet unit。这个是用于池化的结构单元
- MobileNetV2: Inverted Residuals and Linear Bottlenecks
主要贡献有2点：
1，提出了逆向的残差结构（Inverted residuals）
由于MobileNetV2版本使用了残差结构，和resnet的残差结构有异曲同工之妙，源于resnet，却和而不同。
由于Resnet没有使用depthwise conv,所以，在进入pointwise conv之前的特征通道数是比较多的，所以，残差模块中使用了0.25倍的降维。而MobileNet v2由于有depthwise conv，通道数相对较少，所以残差中使用 了6倍的升维。
总结起来，2点区别
（1）ResNet的残差结构是0.25倍降维，MobileNet V2残差结构是6倍升维
（2）ResNet的残差结构中3*3卷积为普通卷积，MobileNet V2中3*3卷积为depthwise conv
MobileNet v1，MobileNet v2 有2点区别：
（1）v2版本在进入3*3卷积之前，先进行了1*1 pointwise conv升维，并且经过RELU6。
（2）1*1卷积出去后，没有进行RELU操作
MobileNet v1，MobileNet v2 的实际使用区别：
精度上，MobileNet v2优于MobileNet v1
速度上，在GPU有并行的情况下，v1和v2速度基本差不多，在cpu这种无并行的情况下，v2要比v1慢大概40%。
就是说，v2比v1的乘加运算量确实是小，但是最终速度是由好多因素决定的，这也就是shuffle v2的改进由来。
2，提出了线性瓶颈单元（linear bottlenecks）
Why no RELU？
首选看看RELU的功能。RELU可以将负值全部映射为0，具有高度非线性。下图为论文的测试。在维度比较低2,3的时候，使用RELU对信息的损失是比较严重的。而单维度比较高15,30时，信息的损失是比较少的。
MobileNet v2中为了保证信息不被大量损失，应此在残差模块中去掉最后一个的RELU。因此，也称为线性模块单元。
MobileNet v2网络结构：
其中，t表示通道的扩大系数expansion factor，c表示输出通道数，
n表示该单元重复次数，s表示滑动步长stride
其中bottleneck模块中，stride=1和stride=2的模块分别如上图所示，只有stride=1的模块才有残差结构。
结果：
MobileNet v2速度和准确性都优于MobileNet v1
和其他结构的对比：
plus：
mobilev2的官方代码中输入图片固定为224*224，不支持任意大小的输入（https://github.com/tensorflow/models/tree/master/research/slim/nets/mobilenet），对其进行简单的修改，使得支持任意大小，将mobilenet.py中global_pool函数进行修改，
def global_pool(input_tensor, pool_op=tf.nn.avg_pool):
"""Applies avg pool to produce 1x1 output.
NOTE: This function is funcitonally equivalenet to reduce_mean, but it has
baked in average pool which has better support across hardware.
Args:
input_tensor: input tensor
pool_op: pooling op (avg pool is default)
Returns:
a tensor batch_size x 1 x 1 x depth.
"""
shape = input_tensor.get_shape().as_list()
if shape[1] is None or shape[2] is None:
kernel_size = tf.convert_to_tensor(
[1, tf.shape(input_tensor)[1],
tf.shape(input_tensor)[2], 1])
else:
kernel_size = [1, shape[1], shape[2], 1]
#output = pool_op(
# input_tensor, ksize=kernel_size, strides=[1, 1, 1, 1], padding='VALID')
output=tf.reduce_max(input_tensor, axis=[1,2])
# Recover output shape, for unknown shape.
#output.set_shape([None, 1, 1, None])
output=tf.expand_dims(output,1)
output=tf.expand_dims(output,2)
return output
- ShuffleNet V2: Practical Guidelines for Efficient CNN Architecture Design
论文指出单纯的乘加运算FLOPs并不能完全表示模型的运算速度，访存开销memory access cost（MAC）也应该考虑进去。并基于这，设计出了轻量化网络ShuffleNet V2。
提出了4个改进的原则：
(1)单个模块的输入输出通道相同，可以最小化访存开销(MAC)
c1:输入通道数
c2：输出通道数
h,w：输入feature map 的高度，宽度
B:FLOPs数，就是计算量，这里假设B恒定，卷积为1*1卷积（pointwise convolution ），因此计算量就是h*w*c1*c2
MAC：访存次数，包括从内存取输入的feature map 的次数h*w*c1，将结果写回去的次数h*w*c2，取1*1卷积核参数的次数1*1*c1*c2
假设FLOPs数B恒定，c1*c2乘积一定的条件下，c1==c2可以使得c1+c2的值最小。
得出结论，当c1:c2=1:1时，可以获得最小的访存次数，使得网络运行速度提升。
(2)过量使用组卷积group convolution ，会增加MAC
g：组卷积的group个数
B:FLOPs数,由于这里使用的是组卷积，因此要除g
MAC：访存次数,从MAC公式可以看出，g越大，MAC值越大
(3)网络的分支越多，并行度越差
网络碎片化会降低并行度 一些网络如Inception，以及Auto ML自动产生的网络NASNET-A，它们倾向于采用“多路”结构，即存在一个lock中很多不同的小卷积或者pooling，这很容易造成网络碎片化，减低模型的并行度，相应速度会慢
(4)Element-wise 操作的时间是不可忽略的
像ReLU, AddTensor, AddBias 这些操作，虽然具有比较小的FlOPs数，但是却有比较大的访存MAC。
最终结论：
使用平衡的卷积，（相同的输入，输出通道数）
组卷积的group数要谨慎设计
减少网络的并行度，减少碎片化
减少Element-wise 操作
网络模块：
前2个模块为ShuffleNet V1中的模块，（a）为传统模块，（b）为下采样模块
后2个模块为ShuffleNet V2中的模块，（c）为传统模块，（d）为下采样模块
V2和V1模块设计的区别：
v2中的传统模块增加了channel split，假设原始输入通道数为c，将通道分成了c-c’和c’两个通道，实验中，c’=c/2；
将channle shuffle操作移到后面来做；
传统模块中将add操作转化为concat操作，有助于增加信息量，减少运算量；
将Group conv换成了普通的conv，可以减少group数，减少MAC；
网络结构：
论文实验：
分类任务精度：
ShuffleNet v2 ≥MobileNet v2 > ShuffeNet v1 > Xception
检测任务精度：
ShuffleNet v2 > Xception ≥ ShuffleNet v1 ≥ MobileNet v2
references:
http://iamaaditya.github.io/2016/03/one-by-one-convolution/
https://github.com/soeaver/caffe-model
https://github.com/facebookresearch/ResNeXt
https://github.com/kwotsin/TensorFlow-Xception
https://github.com/shicai/MobileNet-Caffe https://github.com/shicai/MobileNet-Caffe
https://github.com/tensorflow/models/blob/master/slim/nets/mobilenet_v1.md
https://github.com/HolmesShuan/ShuffleNet-An-Extremely-Efficient-CNN-for-Mobile-Devices-Caffe-Reimplementation
https://github.com/camel007/Caffe-ShuffleNet
https://github.com/shicai/MobileNet-Caffe
https://github.com/chinakook/MobileNetV2.mxnet
---------------------
作者：watersink
来源：CSDN
原文：https://blog.csdn.net/qq_14845119/article/details/73648100
版权声明：本文为博主原创文章，转载请附上博文链接！