• 纵览轻量化卷积神经网络：SqueezeNet、MobileNet、ShuffleNet、Xception
  

  实现轻量化技巧
  
  轻量化主要得益于 depth-wise convolution，解决「信息流通不畅」的问题，MobileNet 采用了 point-wise convolution，ShuffleNet 采用的是 channel shuffle。MobileNet 相较于 ShuffleNet 使用了更多的卷积，计算量和参数量上是劣势，但是增加了非线性层数，理论上特征更抽象，更高级了；ShuffleNet 则省去 point-wise convolution，采用 channel shuffle，简单明了，省去卷积步骤，减少了参数量。

• 超全总结：神经网络加速之量化模型 | 附带代码

MobileNet v1: 将普通卷积分解为depthwise separable Conv和pointwise Conv

讲的很清楚的一篇CSDN博客：MobileNet原理+手写python代码实现
博客里面有两张图展示的非常清楚，但是copy不过来，点到原文查看吧。
[图片上传失败...(image-185766-1532417276307)]

[图片上传失败...(image-3acbaa-1532417276307)]

MobileNet V2: 为顺利在v1基础上引入shortcut，采用扩张-Conv-收缩+linear bottlenecks的block

讲的很清楚的CSDN博客：轻量化网络：MobileNet-V2
[图片上传失败...(image-daef46-1532417392207)]
知乎专栏介绍

ShuffleNet V1: pointwise group conv 和channel shuffle。（后者是为了改善前者的信息流通不畅问题）

• CSDN博客

ShuffleNet V2:

• csdn 博客
• 机器之心介绍

网络复杂度分析

• 知乎：卷积神经网络的复杂度分析

1. 时间复杂度（决定模型训练&推断的时间）
   用模型的浮点运算次数（FLOPs, floating-point operations）来衡量，一次浮点运算可定义为一次乘法和一次加法。

2. 空间复杂度（决定模型参数数量）
   只与卷积核的尺寸K*K, 通道数 C_in，C_out网络的深度D有关，跟图像大小无关。
   参数越多，训练所需的数据越大，而实际中往往是小数据，容易过拟合。

• Roofline Model与深度学习模型的性能分析

科普帖：深度学习中GPU和显存分析 - 陈云的文章 - 知乎

其它资料

• DAC 2018 低功耗目标检测系统设计挑战赛

GPU组前三名都采用YOLO-v2作为baseline

• A technical report on convolution arithmetic in the context of deep learning.

• 卷积神经网络中感受野的详细介绍

• 对Dilated Convolution理解

• 知乎：如何理解空洞卷积

Paper list

1. Rethinking Numerical Representations for Deep Neural Networks (arxiv)
   Floating-point表示比fixed-point表示更有效。为DNN引入定制化精度，能在损失不到1%精度的情况下平均获得7.6倍的加速。