SqueezeNet
2017年的文章，和后面的几篇文章一对比思路显得比较老套：大量的1*1的卷积和少量的3*3卷积搭配（小卷积核），同时尽量的减少通道数目，达到控制参数量的目的。SqueezeNet的核心在于Fire module，Fire module 由两层构成，分别是squeeze层+expand层，如下图所示，squeeze层是一个1*1卷积核的卷积层，expand层是1*1 和3*3卷积核的卷积层，expand层中，把1*1 和3*3 得到的feature map 进行concat。整个网络就是将多个Fire module 堆叠而成。其论文中对比实验目标是AlexNet，可见这个工作的确是老了……
具体操作情况如下图所示（略有误，Expand应该有一通路是3*3核心的）：
Fire module 输入的 feature map 为 H*W*M 的，输出的 feature map 为 H*M*(e1+e3)，可以看到 feature map 的分辨率是不变的，变的仅是维数，也就是通道数，这一点和 VGG 的思想一致。
Xception
『高性能模型』Roofline Model与深度学习模型的性能分析
Xception 基于Inception_v3，X表示Extreme，表示Xception 做了一个加强的假设：卷积可以解耦为空间映射和通道映射。
下图表示标准的v3子模块：
下图表示简化结果：
假设出一个简化版 inception module 之后，再进一步3 个 1*1 卷积核统一起来，变成一个 1*1 的，后面的3个3*3的分别负责一部分通道
和标准的深度可分离卷积略有不同的是：
原版Depthwise Conv，先逐通道卷积，再1*1卷积; 而Xception是反过来，先1*1卷积，再逐通道卷积
原版Depthwise Conv的两个卷积之间是不带激活函数的，而Xception在经过1*1卷积之后会带上一个Relu的非线性激活函数
MobileNet_v1
2017年的成果，思想来源于同属Google的Xception，引入了深度可分离卷积降低计算量，本网络比较传统，就是一层dw一层pw的叠加（3x3 Depthwise Conv+BN+ReLU 和 1x1 Pointwise Conv+BN+ReLU），结构如下：
ShuffleNet_v1
2017年的文章，和MobileNet一样使用了pw+dw，但是这里把dw视为极限的群卷积：组数等度输入特征数目，此时的计算瓶颈在于pw，作者提出：同样使用群卷积替代pw，为了解决特征间通信，作者提出channels shuffle的思路，即在群卷积版pw前将特征重新排列组合。另外ShufflwNet也是对ResNet进行修改的产物。
MobileNet_v2
2018年的文章，针对架构直白的MobileNet_v1，这一版本着重讨论了relu在feature 数目少时的数据坍缩，并提出使用ResNet来解决的方案，作者实际对ResBlock的改造也不复杂：
- 将原来的：pw->conv->pw转化为pw->dw->pw，这个很好理解，单纯的降低计算量
- 将上一步中的沙漏型特征层数变化改为梭子型，保证第一个pw后的relu6和dw后的relu6的数据坍缩最小（C-pw->6C-dw->6C-pw->C）
- 将最后一个pw后的relu取消，因为此pw输出feature 数目较小，容易引起坍缩
ShuffleNet_v2
2018年的文章，作者提出了一个新的衡量效率的量：内存访问消耗时间（memory access cost），并根据这个量提出了4点发现，修改v1版本网络，由于链接博客已经给了很详细的说明，这里不再赘述。