1，参考谷歌Inception结构设计思想，可做到如下：（参考深度学习方法（十一）：卷积神经网络结构变化——Google Inception V1-V4，Xception（depthwise convolution） https://blog.csdn.net/xbinworld/article/details/61674836 ， https://blog.csdn.net/xbinworld/article/details/61210499）
1，Maxout Networks 结构
2，network innetwork结构，很巧妙，这个新加的MLP层就等价于一个1 * 1 的卷积层，这样在神经网络结构设计的时候就非常方便了，只要在原来的卷积层后面加一个1*1的卷积层，而不改变输出的size。注意，每一个卷积层后面都会跟上ReLU。所以，相当于网络变深了，我理解其实这个变深是效果提升的主要因素。使用1*1的卷积，替换FC层；
3，inception结构变化；I,在3*3和5*5卷积前面先做1*1的卷积，降低input的channel数量，这样既使得网络变深，同时计算量反而小了；II，用1*3和3*1卷积替代3*3卷积，计算量少了很多，深度变深，思路是一样的。（实际上是1*n和n*1替代n*n，n可以变）；
4，Depthwise Separable Convolution；先做channel-wise conv，然后再过1*1卷积，中间没有ReLU，最后有ReLU，(Xception)
4，BN，dropout使用，一般是结合conv，dropout特别是结合FC的使用；一般优先使用BN，随后结合scale，relu，并且conv+bn+scale+relu前向运行的时候可以合并；
6，mobilenet思想；
7, ShuffleNet思想；