图像分类任务：ShuffleNet（Mobile CNN）是一个高度高效的移动版本

码字不易，欢迎点赞。文章同步发布在公众号：CV前沿

在上一篇文章中，我们已经介绍了一种专为移动端及嵌入式设备设计的卷积神经网络—-MobileNet。今天将要探讨的是旷视科技于2017年12月推出的、更为高效的移动端卷积神经网络—-ShuffleNet。

ShuffleNet网络中引入了两项创新性的操作：

pointwise group convolution（逐点组卷积）

channel shuffle（通道混洗）

简而言之，逐点组卷积的作用在于有效降低传统逐点卷积（即1*1卷积）所带来的计算复杂度；与此同时，为了缓解多个组卷积堆叠可能引发的不良影响，ShuffleNet引入了通道混洗机制，以增强不同特征通道之间的信息交互。通过这种方式，ShuffleNet在不牺牲模型精度的前提下，显著降低了整体的计算开销。该网络在ImageNet和MS COCO等重要竞赛中均展现出超越其他先进移动端模型的卓越性能。

逐点组卷积

在文章中中，我们对移动端所涉及的多种卷积运算方式进行了阐述，其中包括常规卷积、分组卷积以及1×1分组卷积等基本概念。

在此基础上，我们再次简要回顾相关内容。分组卷积的操作方式是将输入特征图的通道维度进行划分，从而实现并行计算。而1×1分组卷积本质上属于分组卷积的一种特定形式，其独特之处在于所