目的：为计算能力非常有限（例如10-150 MFLOP）的移动设备追求最佳准确性
方法：逐点组卷积（解决1×1的卷积计算复杂度）、通道混洗（增强了全局信息的流通）
通道混洗
原文链接
对于一个卷积层分为g×n组，
1.有g×n个输出通道
2.reshape为(g,n)
3.再转置为(n,g)
4.平坦化,再分回g组作为下一层的输入
组卷积
几种常见卷积：标准卷积、深度可分离卷积、扩展卷积、组卷积
深度可分离卷积：减少了参数量，并将标准卷积同时处理区域和通道的过程分离成两个独立的过程。
扩展卷积：利用添加空洞扩大感受野，让原本3x3的卷积核，在相同参数量和计算量下拥有5x5或者更大的感受野，从而无需下采样，解决信息损失的问题。
组卷积：将输入图像的通道分g组。并行的运算g个相同的卷积过程，每个过程里（每组），输入数据为H1×W1×C1/g，卷积核大小为h1×w1×C1/g，一共有C2/g个，输出数据为H2×W2×C2/g，再用concatenate的方式组合起来，最终的输出数据的通道仍旧是C2。能够减少训练参数，不容易过拟合。