文章名称《Aggregated Residual Transformations for Deep Neural Networks》
文章链接：https://arxiv.org/abs/1611.05431
其实ResNeXt这个网络结构严格说起来应该不算ResNet的小姨子，因为这是亲儿子啊，哈哈哈。自从KaiMing大神离开MSRA去了FaceBook之后，就跟RBG大神坐到了一起，这篇的文章作者是一水的大牛啊。
并且在2016的ImageNet上刷出了排名第二的好成绩。
反正，当看完论文我是震惊的，满脑子就是“窝草，还有这种操作，社会社会，惹不起惹不起。”这篇文章其实总的insight不是特别亮眼(跟Inception-ResNet在结构上还是有点相似的)，但是一套逻辑下来叫人无话可说，实际上就是将group convolution引进了ResNet中，以获得更少的参数。不过说起group convolution要回到2012的AlexNet了，那时候由于GPU并没有现在的强大，所以作者把网络拆成两部分，不过现在都慢慢淡出人们的视野了。KaiMing挖的一手好坟，却造就了又一个经典–ResNeXt。
101-layer的ResNeXt可以达到ResNet的精确度，却在complexity只有后者的一半。
在ResNet提出deeper可以带来网络性质提高的同时，WideResNet则认为Wider也可以带来深度网络性能的改善。为了打破或deeper，或wider的常规思路，ResNeXt则认为可以引入一个新维度，称之为cardinality。并且作者在实验上也证明了： increasing cardinality is more effective than going deeper or wider when we increase the capacity
先看一下ResNeXt的结构： 
左边是ResNet结构,可以看作是两个branch的网络，其中一个branch则是identity mapping。此时，对于ResNet来说，该网络的cardinality为2。
而右边则是ResNeXt结构，可以看作是C个branch组成的网络。
右边的ResNeXt结构则很容易让我们想起GooLeNet上的Inception，在Inception网络中，有个重要的策略则是split-transform-merge. 对输入进行split成a few lower-dimention embeding(1x1)，然后在通过(3x3或5x5)的卷积核进行transformed，最后由concatenation来进行merge。
Inception网络的一个motivation就是通过稀疏连接进行近似成large and dense layers。
尽管Inception的效果很好，但是Inception网络中的参数在新的数据集上generalize的并不是特别好，会带来一堆hyper-parameters需要设计。这是个重要的原因，以至于GoogLeNet没有同期的VGG出名。
而本文则提出了一个simple architecture将Inception和ResNet进行很好的结合。跟同期的Inception-ResNet不同的是，ResNeXt在每个path中都采取相同的设计（采用相同的卷积参数），从Figure1中也能看出来，这可以带来更好的泛化。
网络结构设计，与ResNet的比较 
可以看到在每个conv中，感觉总的通道数要比Resnet多的多，但是两者的参数量是一样的。这时，我就想问一句：“这么神奇吗？”
计算一下便可得：由Figure1得知，
resnet的参数量为：
256*64+3*3*64*64+64*256=70k
ResNeXt的参数量为：
C*(256*d+3*3*d*d+d*256) 当C取32，d=4时，上式也等于70k。 
我的天呐，就是这么神奇。
来看一幅等价图，简洁明了： 
上面三个设计是等价设计，主要看最后一个C的结构，是不是极其类似ResNet的bottleneck，但是通道数却比ResNet多的多。这就意味着，ResNeXt引入Inception结构，通过稀疏连接来approach之前的dense连接。
事实上ResNeXt的主要思想上述已经基本概况完了。
下面就再讲点本文提到的一些重点吧
1. Aggregated Transformation 
数学表达如下： 
区别于NIN（network in network）可以增加dimension of depth，aggregatd transformations可以扩展一个新的dimension，也就是我们上文提到的cardinality。
作者指出，实际上式表述可能不是特别准确，如歌Ti取任意形式且异质（heterogeneous）的话，上面的式子就不能表述了。为了简单，本文选择同质表述（homogenous）
2. 关于ResNet
Cornel的大牛Veit指出ResNet可以看做是Ensemble.
《Residual Networks Behave Like Ensembles of Relatively Shallow Networks》
然而kaiming大神在本篇文章傲娇的怼回去了，
Ensembling. Averaging a set of independently trained networks is an effective solution to improving accuracy [24], widely adopted in recognition competitions [33]. Veit et al. [40] interpret a single ResNet as an ensemble of shallower networks, which results from ResNet’s additive behaviors [15]. Our method harnesses additions to aggregate a set of transformations. But we argue that it is imprecise to view our method as ensembling, because the members to be aggregated are trained jointly, not independently.
实验部分就不放上来了，大家去看论文可能比较好一些。
系列文章：
【深度学习】入门理解ResNet和他的小姨子们（一）—ResNet
http://blog.csdn.net/shwan_ma/article/details/78165966
【深度学习】入门理解ResNet和他的小姨子们（二）—DenseNet
http://blog.csdn.net/shwan_ma/article/details/78165966
【深度学习】入门理解ResNet和他的小姨子们（三）—ResNeXt
http://blog.csdn.net/shwan_ma/article/details/78203020
【深度学习】入门理解ResNet和他的小姨子们（四）—WideResNet
http://blog.csdn.net/shwan_ma/article/details/78168629
【深度学习】入门理解ResNet和他的小姨子们（五）—ResNet增强版
http://blog.csdn.net/shwan_ma/article/details/78595937