按年被提到
20172017 · 2 次2026
视觉、语音与图像生成›卷积网络与图像识别·arXiv:1707.01083 · cs.CV

ShuffleNet: An Extremely Efficient Convolutional Neural Network for Mobile Devices

ShuffleNet:面向移动设备的极高效卷积神经网络
Xiangyu Zhang, Xinyu Zhou, Mengxiao Lin, Jian Sun · 2017

用分组逐点卷积与通道混洗做移动端高效 CNN

开始阅读 ↗PDFalphaXiv 讨论
被推荐 · 3 人首次 2017-07-23 · 最近 2018-01-12
3不同的人
3活跃月份
3讨论串
10,056被引(OpenAlex)

论文提出专为算力很低的移动设备(约 10–150 MFLOPs)设计的 ShuffleNet,使用逐点分组卷积和通道混洗两种新操作,在保持精度的同时大幅降低计算量。在 ImageNet 分类和 MS COCO 检测上表现优于其他结构,例如 40 MFLOPs 预算下 top-1 错误率比 MobileNet 绝对低 7.8%;在 ARM 移动设备上相对 AlexNet 实际加速约 13 倍且精度相当。

HN 为什么提它

HN 评论者把它与 MobileNet 并列,作为移动端高效网络、乘加运算量大幅降低的例子。

方法难度 3 / 5约 30 分钟经得起时间
读之前最好知道
1卷积神经网络
2分组卷积与深度可分离卷积(depthwise separable convolution)
3ResNet 残差结构
4FLOPs 与移动端推理效率

学习路径

读这篇之前,按顺序读书架上的 4 篇 · 参考文献来自 OpenAlex,顺序和要点由 Claude Code 排出

这条路径先建立残差结构的基础,再看几种轻量或自动搜索的高效网络,最后读 ShuffleNet 对分组卷积与通道混洗的设计。

  1. 1
    Deep Residual Learning for Image Recognition用于图像识别的深度残差学习 · 2015

    ShuffleNet 的基本单元是在残差 bottleneck 上改造而来,需要先理解残差块结构。

    读残差块与 bottleneck 结构(1x1、3x3、1x1 的组合),以及捷径连接如何让深网易训练。

  2. 2
    SqueezeNet: AlexNet-level accuracy with 50x fewer parameters and <0.5MB model sizeSqueezeNet:参数少 50 倍、模型小于 0.5MB 的 AlexNet 级精度 · 2016

    较早的小模型设计,用 1x1 卷积压缩通道,与 ShuffleNet 的逐点卷积开销问题相关。

    读Fire 模块的 squeeze 与 expand 设计,以及参数量与精度的取舍。

  3. 3
    MobileNets: Efficient Convolutional Neural Networks for Mobile Vision ApplicationsMobileNets:面向移动视觉应用的高效卷积神经网络 · 2017

    ShuffleNet 直接对比的轻量网络,其逐点卷积占去大部分计算量,是目标论文要解决的瓶颈。

    读深度可分离卷积的计算量分析,以及宽度与分辨率两个缩放系数。

  4. 4
    Learning Transferable Architectures for Scalable Image Recognition学习可迁移的架构以实现可扩展的图像识别(NASNet) · 2017

    自动搜索出的高效网络,也是 ShuffleNet 在同等计算预算下的比较对象。

    读搜索得到的卷积单元(cell)如何堆叠为网络;搜索过程本身可略读。

  5. 5
    ShuffleNet: An Extremely Efficient Convolutional Neural Network for Mobile DevicesShuffleNet:面向移动设备的极高效卷积神经网络 · 2017 · 就是这篇

    目标论文:用分组逐点卷积和通道混洗降低计算量。

    读分组逐点卷积带来的跨组信息不流通问题,通道混洗的做法,以及 ShuffleNet 单元和各计算预算下的结果。

HN 书评

推荐在前,同类按时间 · 每篇最多保留 20 条,统计用全部提及
推荐tanilama · 2017-11

“Those are all good papers.”

称 ShuffleNet 等都是好论文
China is catching up to the USA, while Japan is being left behind原评论 ↗
引用bwasti · 2017-07

“MobileNets and ShuffleNet are some examples. They see 10x reductions in MACs”

以 MobileNets 和 ShuffleNet 为例,说明乘加运算量可降低 10 倍
Bringing neural networks to cellphones原评论 ↗
被提交为 story · 1 次