ResNext提出的主要原因
传统的模型想要提高准确率，都是加深或加宽网络，但是随着超参数数量的增加（比如通道数，卷积尺寸等），网络设计的难度和计算开销也会增加。因此ResNext论文中提出的ResNext结构可以在不增加参数复杂度的前提下提高准确率，同时还减少了超参数的数量（主要的得益模块子结构）。
ResNext介绍
ResNext同时采用VGG堆叠思想和Inception的split-transform-merge思想，但是比起Inception可扩展性很强，可以认为是在增加准确率的同时基本不改变或降低模型的复杂度。
文中提到一个名词cardinality，原文的解释是the size of set transformatons（可以理解为子结构的个数），如下图所示，右边部分表示cardinality=32的结构，其中每一个被聚合的拓扑结构都是一样的（这样比起Inception可以减轻设计负担）。
文中实验表明使用cardinality比增加深度和宽度更有效。
论文中指出ResNext-101可以达到比ResNet-200更好的效果但是参数量只有ResNet-200的一半。
下图是ResNet-50和ResNext-50的结构对比图：
从表中可以看出，两者的参数复杂度差别不大。
ResNext的子结构具体介绍
上面的图中展示了三种等价的ResNext blocks。（a）就是一开始讲的aggregated residual transformations。（b）则采用两层卷积后concatenate，再卷积，有点类似Inception-ResNet，只不过这里的paths都是相同的拓扑结构。（c）采用的是grouped convolutions，这个group参数就是caffe的convolusion层的group参数，用来限制本层卷积核的输入channels的卷积，最早是在AlexNet上使用，可以减少计算量。这里采用32个 group，每个 group 的输入输出 channels 都是4，最后把channels合并。
录完呢汇总展示了（c）的结构。因为（c）结构比较简洁而且速度更快。
在实验中作者说明ResNext-50/101和ResNet-50/101的区别仅仅在于其中的block，其他都不变。如下图所示：
其中，表示32个paths，每个path的宽度为4。实验结果表明ResNeXt和ResNet的参数复杂度差不多，但是其训练误差和测试误差都降低了。
下面的实验结果说明增加cardinality和增加深度或宽度的区别，增加宽度就是简单地增加通道数。第一个是基准模型，增加深度和宽度的分别是第三个和第四个，可以看出误差分别降低了0.3%和0.7%。但是第五个加倍了cardinality，则降低了1.3%，第六个cardinality加到64，则降低了1.6%。显然增加cardianlity比增加深度或宽度更有效。
ResNext的核心创新点
论文中提出了aggregrated transformations（聚合变换），用一种平行堆叠相同拓扑结构的blocks代替原来ResNet的三层卷积的block，在不明显增加参数量的情况下提升了模型的准确率，同时由于拓扑结构相同，超参数也减少了，便于模型移植。