对于轻量化的网络设计，目前较为流行的有SqueezeNet、 MobileNet、ShuffleNet等结构。其中，SqueezeNet采用压缩再扩展的结构，MobileNet使用了效率更高的深度可分离卷积，而ShuffleNet提出了通道混洗的操作，从而进一步降低了模 型的计算量。
1.SqueezeNet
SqueezeNet从网络结构优化的角度出发，使用了如下3点策略来减少网络参数，提升网络性能：
1.使用1×1卷积来替代部分的3×3卷积
2.通过1×1卷积来实现减少输入通道的数量.
3.在减少通道数之后，使用多个尺寸的卷积核进行计算,保留更多的信息，提升分类的准确率。
基于以上3点,SqueezeNet提出了Fire Module的基础模块。
其中，
SqueezeNet层：首先使用1×1卷积进行降维，特征图的尺寸不变，这里的S1小于M，达到了压缩的目的。（S1可控制channel的个数） 。
Expand层：并行地使用1×1卷积与3×3卷积获得不同感受野的特征图，有点类似Inception模块，达到扩展的目的。
Concat层：对得到的两个特征图进行通道拼接，作为最终输出。
SqueezeNet的网络结构如图所示：
SqueezeNet是一个精心设计的轻量化网络，基于其轻量化的特性，可以广泛地应用到移动端，促进了物体检测技术在移动端的部署与应用。
2.MobileNet
SqueezeNet虽在一定程度上减少了卷积计算量，但仍然使用传统 的卷积计算方式，而在其后的MobileNet利用了更为高效的深度可分离卷积的方式，进一步加速了卷积网络在移动端的应用。
首先，我们看下标准的卷积计算过程：假设当前特征图大小为Ci×H×W，需要输出的特征图大小为 Co×H×W，卷积核大小为3×3，Padding为1。
1.对于输入特征图的左上Ci×3×3特征，利用Ci×3×3大小的卷积核 进行点乘并求和，得到输出特征图中一个通道上的左上点，这一步操 作的计算量为Ci×3×3。
2.在输入特征图上进行滑窗，重复第一步操作，最终得到输出特 征图中一个通道的H×W大小的输出，总计算量为Ci×3×3×H×W。
3.利用Co个上述大小的卷积核，重复第一步过程，最终得到 Co×H×W大小的特征图。
在整个标准卷积计算过程中，所需的卷积核参数量为：Ci×3×3×H×W×Co
在标准卷积在卷积时，同时考虑了图像的区域与通道信息，那么为什么不能分开考虑区域与通道呢？基于此想法，诞生了深度可分离卷积（Depthwise Separable Convolution），将卷积的过程分为逐通道卷积与逐点1×1卷积两步。
然后，我们看下逐通道卷积的计算过程：
对于一个通道的输入特征 H×W，利用一个3×3卷积核进行点乘求和，得到一个通道的输出 H×W。然后，对于所有的输入通道Ci，使用Ci个3×3卷积核即可得到 Ci×H×W大小的输出。卷积核参数量为Ci×3×3，远少于标准卷积Ci×3×3×Co的数量。通道之间相互独立，没有各通道间的特征融合，这也是逐通道卷积的核心思想。
因此在整个卷积计算过程中，逐通道卷积所需的计算量为：Ci×3×3×H×W。
由于逐通道卷积通道间缺少特征的融合，并且通道数无法改变， 因此后续还需要继续连接一个逐点的1×1的卷积，一方面可以融合不 同通道间的特征，同时也可以改变特征图的通道数。由于这里1×1卷 积的输入特征图大小为Ci×H×W，输出特征图大小为Co×H×W，因此 这一步的总计算量：Ci×1×1×H×W×Co
综合这两步，可以得到深度可分离卷积与标准卷积的计算量之比为：
可以看到，虽然深度可分离卷积将卷积过程分为了两步，但凭借 其轻量的卷积方式，总体计算量约等于标准卷积的1/9，极大地减少 了卷积过程的计算量。
MobileNet v1使用的深度可分离模块的具体结构如图所示：
MobileNet v1整体的网络是由上述深度可分离卷积基本单元组成，
3.ShuffleNet
为了降低计算量，卷积网络通常在3×3卷积之前增加 一个1×1卷积，用于通道间的信息流通与降维。然而在网络中1×1卷积却占用了大量的计算资源。ShuffleNet v1从优化网络结构的角度出发，利用组卷积与通道混（Channel Shuffle）的操作有效降低了1×1逐点卷积的计算量。
通道混洗操作示意图如下：
a图代表了常规的两个组卷积操作，可以看到，如果没 有逐点的1×1卷积或者通道混洗，最终输出的特征仅由一部分输入通 道的特征计算得出，这种操作阻碍了信息的流通，进而降低了特征的 表达能力。因此，我们希望在一个组卷积之后，能够将特征图之间的通道信息进行融合。通道混洗可以通过几个常规的张量操作巧妙地实现这一过程。
本文总结了SqueezeNet、MobileNet 及ShuffleNet中部分结构。其中，SqueezeNet精心设计了一个压缩再扩展的模块，有效降低了卷积计算量；MobileNet 则发挥了 深度可分离卷积的优势，提升了卷积计算的效率。ShuffleNet更进一 步，在分组卷积的思想上提出了通道混洗操作，避免了大量1×1卷积的操作，可谓经典。通常情况下，将这几种轻量化网络应用到检测框 架中，在速度上均可以得到不同程度的提升。