sp2823---官方github地址上的conv_dw層修改：
https://github.com/BVLC/caffe/pull/5665/files#diff-4f402e0933af71910feb2a9d38eaf2e6R1
該修改來源於：
https://github.com/sp2823/caffe/tree/convolution-depthwise
yonghenglh6---實現的深度卷積(僅GPU)：
1）裏面有個將網絡中普通卷積類型轉換成深度卷積的python腳本。
2）提示打開cudnn時，mobilenet的內存消耗將增加到令人難以置信的水平。
https://github.com/yonghenglh6/DepthwiseConvolution
RuiminChen---ReLU6層的Caffe實現：
1）添加時，需要修改caffe.proto文件中的內容。
https://github.com/RuiminChen/Caffe-MobileNetV2-ReLU6
Farmingyard---Mobilenetv2的網絡文件：
1）沒有使用relu6。
https://github.com/farmingyard/caffe-mobilenet_v2
Austingg---MobileNet-v2-caffe
1）mobilenet-v2網絡，沒有使用dw和relu6.
https://github.com/austingg/MobileNet-v2-caffe
chuanqi305---MobileNet SSD_：
1）VOC0712和mAP = 0.727，使用預訓練的權重。（沒有預訓練map只有0.68）。
2）提供了預訓練模型。
3）博主好像沒有使用depwise層，使用的1*1conv替代的。
4）提供了python腳本，可以生成無bn模型，速度更快。
5）教程比較全，整套流程都有。
6）ReLU6層被ReLU取代。
7）對於conv11_mbox_prior層，錨點爲[（0.2，1.0），（0.2，2.0），（0.2，0.5）]與tensorflow的[（0.1，1.0），（0.2，2.0），（0.2，0.5）]。
https://github.com/chuanqi305/MobileNet-SSD
chuanqi305---MobileNet_v2 SSD_：
1)作者提示好像是從tensorflow轉換而來。
2）需要使用python腳本生成網絡文件。（詳見github上的readme）
3）
https://github.com/chuanqi305/MobileNetv2-SSDLite
chuanqi305---Caffe-ssd-mobilenet_:
1)增加了relu6層的實現。
https://github.com/chuanqi305/ssd
Shicai---Mobilenet_v1_v2-:
1)含有v1和v2的預訓練模型。
2）提供了將deploy網絡文件轉換成train網絡文件的教程。
https://github.com/shicai/MobileNet-Caffe
Suzhenghang---MobileNetv2_：
1）提供了一個refinedet_mobilenetv2的網絡文件。
https://github.com/suzhenghang/MobileNetv2
.
jixing0415---caffe-mobilenet-v3
1）提供了mobilenetv3的網絡文件
https://github.com/jixing0415/caffe-mobilenet-v3
anlongstory---ShuffleNet_V2-caffe
1)提供了shuffle_channel層的實現。
2）shufflenet的網絡文件中也使用了dw層。
https://github.com/anlongstory/ShuffleNet_V2-caffe
sp2823---官方github地址上的conv_dw層修改：
https://github.com/BVLC/caffe/pull/5665/files#diff-4f402e0933af71910feb2a9d38eaf2e6R1
該修改來源於：
https://github.com/sp2823/caffe/tree/convolution-depthwise
yonghenglh6---實現的深度卷積(僅GPU)：
1）裏面有個將網絡中普通卷積類型轉換成深度卷積的python腳本。
2）提示打開cudnn時，mobilenet的內存消耗將增加到令人難以置信的水平。
https://github.com/yonghenglh6/DepthwiseConvolution
RuiminChen---ReLU6層的Caffe實現：
1）添加時，需要修改caffe.proto文件中的內容。
https://github.com/RuiminChen/Caffe-MobileNetV2-ReLU6
Farmingyard---Mobilenetv2的網絡文件：
1）沒有使用relu6。
https://github.com/farmingyard/caffe-mobilenet_v2
Austingg---MobileNet-v2-caffe
1）mobilenet-v2網絡，沒有使用dw和relu6.
https://github.com/austingg/MobileNet-v2-caffe
chuanqi305---MobileNet SSD_：
1）VOC0712和mAP = 0.727，使用預訓練的權重。（沒有預訓練map只有0.68）。
2）提供了預訓練模型。
3）博主好像沒有使用depwise層，使用的1*1conv替代的。
4）提供了python腳本，可以生成無bn模型，速度更快。
5）教程比較全，整套流程都有。
6）ReLU6層被ReLU取代。
7）對於conv11_mbox_prior層，錨點爲[（0.2，1.0），（0.2，2.0），（0.2，0.5）]與tensorflow的[（0.1，1.0），（0.2，2.0），（0.2，0.5）]。
https://github.com/chuanqi305/MobileNet-SSD
chuanqi305---MobileNet_v2 SSD_：
1)作者提示好像是從tensorflow轉換而來。
2）需要使用python腳本生成網絡文件。（詳見github上的readme）
3）
https://github.com/chuanqi305/MobileNetv2-SSDLite
chuanqi305---Caffe-ssd-mobilenet_:
1)增加了relu6層的實現。
https://github.com/chuanqi305/ssd
Shicai---Mobilenet_v1_v2-:
1)含有v1和v2的預訓練模型。
2）提供了將deploy網絡文件轉換成train網絡文件的教程。
https://github.com/shicai/MobileNet-Caffe
Suzhenghang---MobileNetv2_：
1）提供了一個refinedet_mobilenetv2的網絡文件。
https://github.com/suzhenghang/MobileNetv2
.
jixing0415---caffe-mobilenet-v3
1）提供了mobilenetv3的網絡文件
https://github.com/jixing0415/caffe-mobilenet-v3
anlongstory---ShuffleNet_V2-caffe
1)提供了shuffle_channel層的實現。
2）shufflenet的網絡文件中也使用了dw層。
https://github.com/anlongstory/ShuffleNet_V2-caffe
https://blog.csdn.net/abrams90/article/details/90209884
https://blog.csdn.net/zaf0516/article/details/90374170
https://www.zhihu.com/question/323419310/answer/677045756