Shuffle Net的Channel Shuffle模块是咋回事？

看一下这个图片，
[a]就是普通的分组卷积，比如（M,M,16）的feature map按channel分成4组，每组(M,M,4)，每组用K个(3,3,4)的卷积核去卷积，这样就能得到4个feature map（如果加了padding使大小不变的话，就是4个(M,M,K)的feature map），这样(M,M,16)=>(M,M,4K)，接下来再做一次分组卷积，又分为4份。这样的话，每个group之间就完全没有信息交流了(比如普通的卷积，是每个channel卷积然后对应位置相加)

[b]就是mobileNetV1的深度可分离卷积，在a的基础上，加了1*1的卷积，比如a中的output为(M,M,4K)，然后再用N个(1,1,4K)的卷积核去卷积，得到(M,M,N)的输出，1*1卷积就是point wise的convolution，加上group就是所谓的group point wise convolution。

[c]就是shuffleNetV1的shuffle模块，在a的基础上，与b形成对比，把4组(M,M,K)的feature map按channel重排，第一组的channel1放第一层，第二组的channel1放第二层，第三组的channel1放第三层，第四组的channel1放第四层；第一组的channel2放第5层，以此类推。然后再进行分组卷积？(如果希望shuffle后还是能分成4组，就把每一组的前K/4个channel拿出来组在一起，就可以变成新的第一组)

有一点要注意：

a是普通的bottlenet+DWConv
b是shufflenetv1,stride=1。此时1*1的卷积也是Group Convolution