注： 由于所写内容是读了文章之后，然后放在一边，用自己理解的话来写的，可能会与原paper不太一致，甚至可能理解的不对，敬请指正！
读了paper的前面的介绍之后，一个整体的印象是这个network的设计复杂度和计算量都降了不少，而且performance也是不错的，网络的结构也比较的thin，可能这对于做模型压缩是一个启发。
然后个人觉得这个paper的主要想法是做了一个分解，把以前正常的卷积，分解成了两步，并且在paper中作者还给出了具体计算量的公式。
大体的知识体系是这样的。
图a是standard cnn， 假设输入是(D_f,D_f,M)那么和一个(D_k,D_k,M)的kernel卷积之后，得到的是(D_f,D_f,1)的，那么和N个kernel作卷积的话得到的就是(D_f, D_f, N )的。
而这篇文章中提出可以作两部作，形象地理解的话，相当于把一个“大矩阵”分解了。
假设输入仍是(D_f, D_f,M)可以把它看成M个（D_f, D_f, 1）的输入粘在一块儿的，那么现在第一步对于这其中的每一个用（D_k,D_k,1）的去做卷积，得到的是（D_f, D_f,1）的，那么用M个的话， 看图b，得到的就是M个,再粘到一块儿的话就是（D_f, D_f, M）大小的，
然后进行第二步，上面得到的（D_f, D_f, M）大小的，和一个（1,1,M）的做卷积的话，得到的是(D_f,D_f,1)大小的，
如果和N个去做总面积的话，就得到N个（D_f, D_f,1）这样的，粘到一块儿还是（D_f, D_f, N ）形状的，这和standard cnn出来的形状是一致的，但是计算量和复杂度却减少了很多。
具体的可以见下图
标准的CNN如左图，经过Conv->BN->Relu
而现在调成为， DepthwiseConv(就是第一步)->BN->Relu->1*1 Conv(第二步)->BN->Relu
也就是在BN-Relu之前分别把两步插入其中。
欢迎指正~