6. MobileNet系列

V1

使用depthwise separable convolutions；放棄pooling層，而使用stride=2的卷積。標準卷積的卷積核的通道數等于輸入特征圖的通道數；而depthwise卷積核通道數是1；還有兩個參數可以控制，a控制輸入輸出通道數；p控制圖像（特征圖）分辨率。

V2

相比v1有三點不同：1.引入了殘差結構；2.在dw之前先進行1×1卷積增加feature map通道數，與一般的residual block是不同的；3.pointwise結束之后棄用ReLU，改為linear激活函數，來防止ReLU對特征的破環。這樣做是因為dw層提取的特征受限于輸入的通道數，若采用傳統的residual block，先壓縮那dw可提取的特征就更少了，因此一開始不壓縮，反而先擴張。但是當采用擴張-卷積-壓縮時，在壓縮之后會碰到一個問題，ReLU會破環特征，而特征本來就已經被壓縮，再經過ReLU還會損失一部分特征，應該采用linear。

V3

互補搜索技術組合：由資源受限的NAS執行模塊集搜索，NetAdapt執行局部搜索；網絡結構改進：將最后一步的平均池化層前移并移除最后一個卷積層，引入h-swish激活函數，修改了開始的濾波器組。

V3綜合了v1的深度可分離卷積，v2的具有線性瓶頸的反殘差結構，SE結構的輕量級注意力模型。

7. EffNet

EffNet是對MobileNet-v1的改進，主要思想是：將MobileNet-1的dw層分解層兩個3×1和1×3的dw層，這樣 第一層之后就采用pooling，從而減少第二層的計算量。EffNet比MobileNet-v1和ShuffleNet-v1模型更小，進度更高。

8. EfficientNet

研究網絡設計時在depth, width, resolution上進行擴展的方式，以及之間的相互關系。可以取得更高的效率和準確率。

9. ResNet

VGG證明更深的網絡層數是提高精度的有效手段，但是更深的網絡極易導致梯度彌散，從而導致網絡無法收斂。經測試，20層以上會隨著層數增加收斂效果越來越差。ResNet可以很好的解決梯度消失的問題（其實是緩解，并不能真正解決），ResNet增加了shortcut連邊。

10. ResNeXt

基于ResNet和Inception的split+transform+concate結合。但效果卻比ResNet、Inception、Inception-ResNet效果都要好。可以使用group convolution。一般來說增加網絡表達能力的途徑有三種：1.增加網絡深度，如從AlexNet到ResNet，但是實驗結果表明由網絡深度帶來的提升越來越小；2.增加網絡模塊的寬度，但是寬度的增加必然帶來指數級的參數規模提升，也非主流CNN設計；3.改善CNN網絡結構設計，如Inception系列和ResNeXt等。且實驗發現增加Cardinatity即一個block中所具有的相同分支的數目可以更好的提升模型表達能力。

11. DenseNet

DenseNet通過特征重用來大幅減少網絡的參數量，又在一定程度上緩解了梯度消失問題。

12. SqueezeNet

提出了fire-module：squeeze層+expand層。Squeeze層就是1×1卷積，expand層用1×1和3×3分別卷積，然后concatenation。squeezeNet參數是alexnet的1/50，經過壓縮之后是1/510，但是準確率和alexnet相當。

13. ShuffleNet系列

V1

通過分組卷積與1×1的逐點群卷積核來降低計算量，通過重組通道來豐富各個通道的信息。Xception和ResNeXt在小型網絡模型中效率較低，因為大量的1×1卷積很耗資源，因此提出逐點群卷積來降低計算復雜度，但是使用逐點群卷積會有副作用，故在此基礎上提出通道shuffle來幫助信息流通。雖然dw可以減少計算量和參數量，但是在低功耗設備上，與密集的操作相比，計算、存儲訪問的效率更差，故shufflenet上旨在bottleneck上使用深度卷積，盡可能減少開銷。

V2

使神經網絡更加高效的CNN網絡結構設計準則：

• 輸入通道數與輸出通道數保持相等可以最小化內存訪問成本；
• 分組卷積中使用過多的分組會增加內存訪問成本；
• 網絡結構太復雜（分支和基本單元過多）會降低網絡的并行程度；

• element-wise的操作消耗也不可忽略。

14. SENet

15. SKNet