Paper：https://arxiv.org/pdf/1611.05431.pdf
Code：https://github.com/Cadene/pretrained-models.pytorch/blob/master/pretrainedmodels/models/resnext.py
簡述：此網絡屬於ResNet系列。在保持計算和空間複雜度的前提下，通過構建可複用的一個block，這個block聚合了一組有相同拓撲的轉換，實現分類精度相對於ResNet的提高。並且可以輕易的轉換到其他的任務上。
論文可以理解爲ResNet和Inception的結合。通過將Inception中的block中的多個不同分支（1*1、3*3、5*5等）修改爲統一的拓撲結構（3*3），其中包含了升維和降維（1*1）以減少計算量，而且增加了分支的數量；並採用了ResNet（shortcut）結構。以下爲論文中的三種結構。
優點：
1）：與 ResNet 相比，相同的參數個數，結果更好。 ResNeXt-101 網絡，和 ResNet-200 準確度差不多，但是計算量只有後者的一半與 ResNet 相比。通過增加容量(變得更深或更寬)來提升模型精度相對簡單，本文提升精度同時保持(或減少)複雜度。
2）：基數（cardinality）是比深度和寬度 更有效的維度。
補充知識：
1）：計算複雜度和空間複雜度的計算公式：
M爲輸入特徵圖的size，K爲卷積核的size，
