文章是去年的，但是感觉思路很清晰，被说服了，觉得超牛逼。之前没有好好看，真的是打脸max。还是要好好看论文啊，不要就听名字。
这篇文章主要是对v1的改进。
思考向，flops是衡量一个model速度的唯一考量么？ 当然不是啦，还有计算平台以及内存访问代价（memory access cost, MAC）等等等。所以呢，就有了v2,并且提出了一些设计模型的通用准则。
现有的度量计算复杂度的指标是flops，也就是multiply_adds的数量，其实是一个间接的指标，可以近似的去估计实际速度但不是直接指标。比如说，mv2和nasnet_a的flops是同一个量级的，但是mv2的速度却更快。所以说，不能将flops作为唯一模型设计的度量指标，这样往往会导致次优解。
速度和flops之前的差异可以总结为如下两个原因。1.flops并没有考虑到一些对模型速度影响很大的因素。比如内存访问开销，在有牛逼GPU的时候很可能成为瓶颈，还有模型的并行程度，2.和平台的关系 ，不能理所当然的认为33是11的九倍，因为cudnn有优化。
因此，在设计一个轻量级网络的时候，不能只看理论计算量，要看实际速度，并且要根据特定的计算平台来设计。
不同平台上，耗时操作占比是不一样的，所以一定要考虑平台。
下面插入的是张祥雨博士讲座的PPT，思路真的是超级清晰，就是图不清晰，毕竟是视频截出来的。
影响模型执行速度的因素：
1.理论计算量最重要 也就是控制flops
2.计算访存比 访存比是线性增长 要专门考虑访存比
3.模型的并行度 碎片化多了之后各个操作会有依赖，会有很多内存读写操作
4.设备特性 比如ARM
高性能网络设计的指导准则
1.输入输出通道数接近 访存比最大
MAC的计算
其实特征占用的空间 以11卷积为例，输入输出的特征图大小为w,h 则占用的内存为 wh(c1+c2)+c1c211 flops B = hwc1c21*1，所以MAC与B可以表示为如下关系，怎么推的我就不清楚了
2.分组卷积要慎用 实现起来稍微困难，而且访存比很尴尬，因为不符合第一条的原则，输入输出通道在算的时候实际是有一个G的倍数关系的。
3.减少网络碎片
4.逐元素运算的开销不可忽视 虽然是搬运的操作
提出v2 v2就符合以上原则
还有特征重用
检测好，但是分割不行，主要是upsample的策略。
