《ShuffleNet： An Extremely Efficient Convolutional Neural Network for Mobile Devices 》来自face++，发表于CVPR-2017, 其主要采用两个“新”操作对卷积神经网络结构进行修改，达到提高计算效率的目的。
github： https://github.com/farmingyard/ShuffleNet
创新点：
1. 利用pointwise group convolution 和 channel shuffle 这两个操作来设计卷积神经网络模型, 以达到不怎么损失性能的前提下，减少模型使用的参数数量。
(其中，Pointwise group convolution 和channel shuffle是有一定关系的，channel shuffle 因pointwise group convolution 而起，正如3.1标题： . Channel Shuffle for Group Convolutions；
作者说 Xception和ResNeXt采用了大量的1*1卷积核，从而使得网络参数更少，因此这里采用 pointwise group convolution，但采用了pointwise group convolution 会导致信息流通不当，因此提出了channel shuffle，所以channel shuffle是有前提的，使用的话要注意！)
Group convolution
Group convolution 自Alexnet就有，当时因为硬件限制而采用分组卷积；之后在2016年的ResNeXt中，表明采用group convolution可获得高效的网络；再有Xception和MobileNet均采用depthwise convolution, 这些都是最近出来的一系列轻量化网络模型
group convolution 与depthwise convolution 以及 channel-wise convolution 都是一样的，具体可见MobileNet里有分析depth-wise convolution的卷积方式,也可参考另外一篇博客：http://blog.csdn.net/shuzfan/article/details/77129716；
如下图(a)所示, 为了提升模型效率，采用group convolution，但会有一个副作用，即：“outputs from a certain channel are only derived from a small fraction of input channels.”
于是采用channel shuffle来改善各组间“信息不流通”问题，如下图(b)所示。
具体方法为：把各组的channel平均分为g（下图g=3）份，然后依次序的重新构成feature map
Channel shuffle 的操作非常简单，接下来看看shufflenet，shufflenet借鉴了Resnet的思想，从基本的resnet 的bottleneck unit 逐步演变得到 shufflenet 的bottleneck unit，然后堆叠的使用shufflenet bottleneck unit获得shufflenet；
下图展示了shufflenet unit的演化过程
图(a)：是一个带有depthwise convolution的bottleneck unit；
图(b)：作者在(a)的基础上进行变化，对1*1 conv 换成 1*1 Gconv，并在第一个1*1 Gconv之后增加一个channel shuffle 操作；
图(c)： 在旁路增加了AVG pool，目的是为了减小feature map的分辨率；因为分辨率小了，于是乎最后不采用Add，而是concat，从而“弥补”了分辨率减小而带来的信息损失。
文中提到两次，对于小型网络，多多使用通道，会比较好。
“this is critical for small networks, as tiny networks usually have an insufficient number of channels to process the information”
因此，以后若涉及小型网络，可考虑如何提升通道使用效率！
胡思乱想：
把shuffleNet和mobilenet的创新点放在一起，想了一想，感觉shufflenet的shuffle操作和mobilenet 在depth-wise convolution之后用一个1*1的卷积的目的是一样的啊！
都是为了抵消depth-wise convolution 带来的“信息流通不畅”的问题，只不过shufflenet采用各通道之间交换信息，mobilenet采用1*1卷积进行“融合”；那么是否就depth-wise convolution带来的问题——“信息流通不畅”继续做文章？？ 只要把经过depth-wise convolution之后的通道，“搞”到一起，然后起个名字——“搞”Net