一、论文阅读和视频学习

1.ShuffleNet V1 & V2

1.1ShuffleNet V1

a.效果

提出了channel shuffle的思想，相比于AlexNet，达到同样的error率的情况下非常轻量级。并且能够不断优化error率，且消耗时间依然小于AlexNet。

b.原理（channel shuffle）

GConv虽然能够减少参数与计算量，但是GConv中不同组之间信息没有交流。channel shuffle即因此提出的。

1. 输入特征矩阵经过一个GConv1卷积，得到一个对应的特征矩阵。
2. 对每一个GROUP依照卷积的划分进行划分，然后有序重组，即得到了通过channel shuffle的特征矩阵。
3. 再对得到的特征矩阵进行GConv2卷积，其就可以融合不同的特征信息。
   

在网络中使用的group卷积占用的计算量是很少的，大部分计算量是被1×1卷积占用去了。所以改造：

经过验证，Shuffle Net的计算量是最小的。

1.2ShuffleNet V2

计算量主要计算卷积相关的一些指标，但是在GPU中只有一般的计算量在计算卷积，所以不能单纯用FLOPs评判算法计算量。在相同的FLOPs的情况下，并行度高的模型是要比并行度低的模型运行速度快的。
针对此，作者提出了设计一个高效的的网络四条建议：

1. 当卷积层的输入特征矩阵与输出特征矩阵channel相等时memory access cost是最小的。

2. 当GConv的groups增大时（保持FLOPs不变时），MAC也会增大。

3. 网络设计的碎片化程度越高，速度越慢。

4. Element-wise操作带来的影响是不可忽视的。

提出：

2.EfficientNet V3

1. 根据以往的经验，增加网络的深度能够得到更加丰富、复杂的特征并且能够很好的应用到其他任务中。但是网络的深度过深会面临梯度消失、训练困难等问题。
2. 增加网络的宽度能够获得更高细粒度的特征并且也更容易训练，但对于宽度很大而深度较浅的网络，往往很难学习到更深层次的特征。
3. 增加输入网络的图像分辨率能够潜在地获得更高细粒度地特征模板，但对于非常高地输入分辨率，准确率的增益也会减小。并且大分辨率图像会增加计算量。

2.1EfficientNet-B0

2.2MBConv

1. 第一个升维的1×1卷积层，它卷积核个数是输入特征矩阵channel的n倍。
2. 当n=1的时候，不要第一个1×1的卷积层了
3. 关于shortcut连接，仅当输入MBConv结构的特征矩阵与输出的特征矩阵shape相同时才存在。

二、代码练习

1.使用VGG模型进行猫狗大战

1.1下载数据

1.2数据处理

1.3创建 VGG Model

1.4修改最后一层，冻结前面层的参数

1.5训练并测试全连接层

1.6可视化模型预测结果（主观分析）

2.AI艺术鉴赏挑战赛题

三、思考

针对题目并不能够实现很好的效果，这或许就是“知其然，而不知其所以然”的呈现。如果以后要走深度学习的方向，还是应该以熟悉各种模型原理为基础进行学习。