感谢同济子豪兄开源贡献，可去B站搜索详细内容，本文是笔者学习总结。
1 轻量化网络理论
1.1 输入图像多通道数如何降低？
- 不管输入通道为多少，经过一个卷积核后，就只有一个通道了（卷积就是先对应位置相乘，再所有位置求和，因此就剩一个通道了）
1.2 深度可分离卷积
谷歌轻量化卷积神经网络MobileNet V1，用于移动端实时边缘计算部署- CVPR2017论文：Mobilenets: Efficient convolutional neural networks for mobile vision applications使用深度可分离卷积，在保证各类视觉任务准确度不变的条件下，将计算量、参数量压缩30倍。引入网络宽度和输入图像分辨率超参数，进一步控制网络尺寸
- 每次都是一个
薄偏偏卷积
1.3 跨通道信息融合
- 跨通道融合卷积后就剩一个通道了
- 128个卷积核，则会对应128个输出通道
1.4 Deepthwise与Pointwise
1.5 Group卷积
1.6 谷歌Xception
2 轻量化网络MobileNet结构
