最近在看ppocrv4相关的代码，看到里面运用了一种高效的backbone---PP-LCNet，目前这个模型有3个版本，V3网上没有相关解析也没有论文，我粗略查看了一下源码，运用的方法大致跟V2差不多，所以我在这里只解析V1和V2
PP-LCNetV1
PP-LCNetV1 的结构非常简单，以至于我们模型设计常用的跳跃连接都不使用，其结构主要由深度可分离卷积组成（深度卷积+逐点卷积），并结合SE通道注意力机制进行特征提取，不过SE模块做了一些加速处理，以提高在CPU端的计算效率，具体来说就是减少了全连接的层数，使用h-swish来近似代替复杂度更高的-sigmoid。V1的整体结构如下图所示。
PP-LCNetV1.png
可以看到V1 基本不用我们模型设计里的一些技巧操作，如拼接concat或逐元素elementwise-add相加，这些操作不仅会降低模型的推理速度，而且在小型模型上也不会提高准确度。由于整体结构相当简单，作者估计也担心精度太差，所以标配hard-switch激活函数。
PP-LCNetV2
V2在V1的基础上增加了当下较为流行的技巧---重参数化，整体结构如下图所示。
PP-LCNetV2.png
可以看到V2并不是所有block都用重参数，只用在最后2个Block，同时在最后一个block增加了残差连接，以及全系激活函数换回了relu，理由是有很大一部分硬件设施对于h-swish的加速不理想，虽然精度有提高，但速度下降很大，有点得不偿失。其中重参数模块中使用了多尺度卷积核，用于提取不同感受野的特征信息。
重参数.png
整体 PP-LCNet系列结构上的创新不大，主要是小修小改，瞄准点是速度快然后精度也不差，适用于CPU端模型的设计，如果是GPU端的话我比较推荐百度的HGNet系列模型。
