ShuffleNet详解

深度解析：ShuffleNet - 轻量级CNN网络设计
最新推荐文章于 2025-09-01 23:32:20 发布
原创 最新推荐文章于 2025-09-01 23:32:20 发布 · 1.1k 阅读 · 2 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#深度学习 #人工智能 #卷积 #网络 #机器学习

本文详细介绍了ShuffleNet的设计理念与结构，包括pointwise group convolutions以降低计算开销，channel shuffle解决信息隔离问题，以及整个ShuffleNet模型的构建。实验表明，ShuffleNet在保证模型性能的同时，显著降低了计算成本。

ShuffleNet详解

论文《ShuffleNet：An Extremely Efficient Convolutional Neural Network for Mobile Devices》

1 主要思想

轻量级CNN网络近年备受关注，与传统的高准确度但较为复杂的CNN，轻量级网络受限实际任务中计算资源的限制，重点关注模型复杂度和准确度的权衡。

已存在一些SOTA的轻量级模型，如Xception、ResNeXt等，但在这些网络中的pointwise convolutions（1*1 conv）计算开销仍然较大。

文章提出了pointwise group convolutions，通过对pointwise convolutions进行分组，可以很大程度的降低其计算开销。除此之外，文章还提出了channel shuffle的操作来解决分组带来的副作用。最后，文章基于pointwise group convolutions和channel shuffle构建了ShuffleNet。

2 模型结构

2.1 pointwise group convolutions

近年提出的Depthwise sparable convolutions很大程度上减少了CNN网络的计算开销，但网络中的pointwise convolutions仍然开销很大。

利用分组卷积的思想，文章将pointwise convolutions进行分组，进一步减少CNN网络的计算开销。

对于pointwise convolutions，假设输入尺寸为H*H*C1，输出尺寸为H*H*C2，此时卷积计算量为H*H*C1*C2；此时对输入进

最低0.47元/天 解锁文章
目标检测轻量化压缩
吴建明wujianming_110117
04-22 1774
目标检测轻量化压缩 目标检测难点概述 目标检测是计算机视觉中一个重要问题，在行人跟踪、车牌识别、无人驾驶等领域都具有重要的研究价值。近年来，随着深度学习对图像分类准确度的大幅度提高，基于深度学习的目标检测算法逐渐成为主流。 自 2014 年以来，目标检测框架分为two-stage 和 one-stage 两大类，前者以经典方法 Faster R-CNN 为代表，后者以 YOLO 和 SSD 为主要...
ShuffleNet系列论文阅读笔记（ShuffleNetV1和ShuffleNetV2）
weixin_47365232的博客
06-19 1816
ShuffleNetV1和ShuffleNetV2核心知识汇总笔记。
深度学习篇---ShuffleNet网络结构
最新发布
道阻且长，行则将至。
09-01 1295
本文详细介绍了如何在PyTorch中实现轻量级CNN模型ShuffleNetv1。主要内容包括：1）实现核心的通道混洗操作，通过分组-转置-展平打破分组卷积的信息隔绝；2）构建两种基础单元（步长1的特征提取单元和步长2的下采样单元）；3）搭建完整网络结构，包含初始卷积层、3个阶段的核心单元和分类层；4）使用CIFAR-10数据集进行训练测试。该实现展现了ShuffleNetv1通过分组卷积和通道混洗实现高效特征提取的特点，模型参数量仅2.3M，适合移动端应用。
【论文阅读】Shuffle Net系列【V1—V2】
想当咸鱼的猫
10-31 1389
1. ShuffleNet V1 1.1 Abstract 我们提出了一个极其效率的CNN架构——ShuffleNet，其专为计算能力非常有限的移动设备设计。这个新的架构利用了两个新的操作：pointwise group conv和channel shuffle，并大大降低计算成本，同时确保准确性。 1.2 Approach 1.2.1 Channel Shuffle for Group Convolutions 在微型网络结构中， 由于 1×1 卷积计算代价很高，在计算资源有限的情况下特征图的通道数就会受
[ 轻量级网络 ] 经典网络模型3——ShuffleNet 详解与复现
A_John 的博客
05-06 2万+
[ 轻量级网络 ] 经典网络模型3——ShuffleNet 详解与复现 1、ShuffleNet； 2、ShuffleNet 详解； 3、ShuffleNet 复现； ShuffleNet 使用是一种计算效率极高的CNN架构，它是专门为计算能力非常有限的移动设备设计的 ； 通过 点态群卷积(Pointwise Group Convolution) 和 通道洗牌(Channel Shuffle) 两种新运算，在保持精度的同时大大降低了计算成本 ；...
shufflenet
03-05
旷视科技shufflenet，利用shuffle，dw卷积等进行模型的优化
43. ShuffleNet算法详解 - AI之路 - 优快云博客1
08-03
ShuffleNet算法详解 ShuffleNet是一种极其高效的卷积神经网络，专门为移动设备设计，可以实现实时图像识别和处理。该算法的提出主要解决了深度网络在移动设备上的计算量问题，使其可以在移动设备上运行。 Channel ...
【轻量级网络】经典网络模型--ShuffleNet详解
m0_57248668的博客
05-25 668
ShuffleNet使用是一种计算效率极高的CNN架构，它是专门为计算能力非常有限的移动设备设计的；通过逐点分组卷积（Pointwise Group Convolution）和通道洗牌（Channel Shuffle）两种新运算，在保持精度的同时大大降低了计算成本。
第九章 ShuffleNetv1网络详解
ADICDFHL的博客
06-21 1824
我们介绍了一种极其计算效率高的CNN架构，名为ShuffleNet，它专为移动设备设计，这些设备的计算能力非常有限（例如，10-150 MFLOPs）。该新架构利用了两种新操作，即逐点分组卷积和通道混洗，以大大降低计算成本，同时保持准确性。在ImageNet分类和MS COCO目标检测上的实验表明，ShuffleNet比其他结构表现更优，例如在40 MFLOPs的计算预算下，相对于最近的MobileNet [12]，在ImageNet分类任务中的Top-1错误率更低（绝对值为7.8%）。
ShuffleNet算法详解
热门推荐
AI之路
07-14 7万+
论文：ShuffleNet: An Extremely Efficient Convolutional Neural Network for Mobile Devices 论文链接：https://arxiv.org/abs/1707.01083算法详解： ShuffleNet是Face++的一篇关于降低深度网络计算量的论文，号称是可以在移动设备上运行的深度网络。这篇文章可以和MobileNet
shuffle net
A20120942的博客
02-05 1184
shuffle net 2017.12.7 face++提出。 本文也是设计小的网络模型，可以应用到移动端。 设计思想主要与Xception和ResNeXt相同，应用组卷积和depthwise卷积，并提出了channel shuffle。 一般在小网络中一般会通过 pointwise convolutions（1*1卷积）减少参数（限制卷积的通道数），但可能会造成模型精度下降。直观想法用
ShuffleNet
强化学习曾小健
07-23 440
ShuffleNetV2 的构建模块。首先，卷积步长为 1 的瓶颈块中，先将输入特征按通道一分为二，化成两个分支来 代替原先的分组卷积结构，并且每个分支中的卷积层都 是保持输入输出通道数相同。其中一个分支不采取任何操作以减少参数量和计算复杂度，另一个分支不采用 分组卷积以减少内存访问成本。最后使用拼接代替原 来的逐元素相加，降低计算复杂度，并且后面不加ReLU 直接输出。再增加 Channel Shuffle 来增加通道之间的 信息交流。其次，对于卷积步长为 2 的下采样构建块， 在这一模块中对通道数进行翻
shuffleNet阅读笔记
小菜鸟的AI之路
08-14 2293
论文名称：ShuffleNet: An Extremely Efficient Convolutional Neural Network for Mobile Devices 论文链接：https://arxiv.org/abs/1707.01083 摘要 shuffleNet是face++在2017年提出，目的是提高深度模型的执行效率，降低对硬件的依赖，可在移动端执行。 我们知道深度...
[论文笔记] ShuffleNet
xby的学习笔记存档处
11-01 1346
作者团队：旷厂 时间：2017年12月 贡献：两个新操作，pointwise group convolution 和 channel shuffle。优于MobileNet 一、Introduction Xception、ResNeXt在非常小的网络上效率很低，主要是因为dense 1×11\times11×1 convolution 计算量较大。 在MobileNet中分析过，depthwis...
ShuffleNet: An Extremely Efficient Convolutional Neural Network for Mobile Devices（2017）
qihshe的博客
12-11 276
ShuffleNet，轻量级NN
轻量化网络结构——ShuffleNet
小花生的博客
01-16 2453
论文：《ShuffleNet: An Extremely Efficient Convolutional Neural Network for Mobile Devices》—Face++ 1.shuffle具体来说是channel shuffle，是将各部分的feature map的channel进行有序的打乱，构成新的feature map，以解决group convolution带来的[信息流通不畅]的问题。（MobileNet是用pointwise convolution解决这个问题。） 因此可知
ShuffleNet V1
weixin_41172694的博客
12-14 673
版权声明：本文为博主原创文章，未经博主允许不得转载 论文：ShuffleNet: An Extremely Efficient Convolutional Neural Network for Mobile Devices 链接：https://arxiv.org/abs/1707.01083 第三方代码：https://github.com/jaxony/ShuffleNet  pytor...
ShuffleNet系列 网络结构
专注于AI领域前沿知识，业余爱好开发软件
11-09 476
学习ShuffleNet系列 网络结构笔记
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值