本篇文章观点仅限于目前的理解，后续若有新的理解，还会继续更新。
Introduce
ShuffleNet v1是2018年CVPR上的一篇论文中提出的，作者团队为Face++(旷视科技)，它提出于MobileNet v1之后，它的目的与MobileNet类似，主要是想降低计算量，便于将网络部署到计算能力有限的终端设备上。
Google对从2015年开始提出的Inception网络不断优化，在2017年提出的Xception网络引入了Depth-wise Separable Convolution，将卷积分为Depth-wise Convolution和Point-wise Convolution两个步骤大大降低了参数量和计算量；Facebook提出的ResNeXt网络则是对ResNet改进(残差网络的三篇论文都有He参与，只是分别在微软和Facebook)，提出了Group Convolution，即首先使用Point-wise Convolution进行降维，再对channel分组以进行Gropu Convolution，最后再使用Point-wise Convolution升维至所需维度，这种方法同样可以减少参数量和计算量，并且这种两端大(channel多)中间小(channel少)的设计通常被称为bottleneck，目前这种设计已经被证明能够较好提取图像特征。
以上提到的网络结构都是通过Sparse Connection的方法来降低运算量并提高卷积运算的效率(个人对Sparse Connection的理解是: 卷积核越小，通道数越少，下一层某个神经元与前一层的连接就越少)，所以在ShuffleNet的设计上，作者同样采用了这一理念。
通过对Xception和ResNeXt进行分析，作者发现Depth-wise Convolution和Gropu Convolution中使用的Point-wise Convolution占用了大量的模型运算量，如在ResNeXt中占用达到93.4%。因此作者在此基础上提出了一种新颖的ShuffleNet模块，具体分析如下。
Channel Shuffle for Group Convolutions
由于RexNeXt网络中1*1卷积占用的计算较多，并且分组卷积又可降低计算量，所以作者考虑不使用1*1卷积而直接进行多个分组卷积层的叠加，如下图左侧示意图所示，但这样会带来一个问题，即不同组之间的信息无法交流，所以作者提出了Channel Shuffle操作，在一个分组卷积层后对不同组的特征进行重排后再送入下一组，如图所示：
ShuffleNet Unit
Channel Shuffle操作理论上实现了不需要1*1卷积进行降维和升维的分组卷积操作，理论上可以构建较为强大的模型，作者在此基础上又进一步探索，设计出了结合Gropu Convolution、Depth-wise Convolution和残差结构的ShuffleNet Unit。
如下图左侧示意图所示，这是一个带有残差连接的bottleneck单元，其中的3*3卷积改为了Depth-wise Convolution，bottleneck单元和残差结构都已被证明在CNN网络中比较有效，而这里使用Depth-wise Convolution又降低了参数数量，但正如最开始分析的那样，1*1的卷积给网络带来了巨大的计算量，所以作者考虑将1*1的卷积设计为Gropu Convolution+Channel Shuffle，如下图中间示意图所示，对1*1的卷积引入Gropu Convolution又可大大降低计算复杂度，该单元就是最终的ShuffleNet Unit。下图中右侧示意图表示的是特征图体积减半的ShuffleNet Unit结构：
Network Architecture
最终的网络结构如下表所示，参数g控制分组数量，进而控制网络复杂度：
下图对比了不同的ShuffleNet模型的复杂度以及分类精度，其中参数s是一个应用于channel的尺度缩放系数，与MobileNet v1中的类似：
作者还做了一系列的对比实验来说明该结构的有效性，这里不再赘述。
Convolution
ShuffleNet v1结合了Gropu Convolution、Depth-wise Convolution和残差结构的设计方法，大大降低了网络参数量和计算复杂度，是目前压缩性能较好的网络之一。
