主干网络论文阅读（按论文时间顺序）：
论文阅读 LeNET CONVOLUTIONAL NEURAL NETWORKS FOR ISOLATED CHARACTER RECOGNITION-CSDN博客
论文阅读 AlexNet ImageNet Classification with Deep ConvolutionalNeural Networks-CSDN博客
论文阅读 VGGNet VERY DEEP CONVOLUTIONALNETWORKSFORLARGE-SCALEIMAGERECOGNITION-CSDN博客
论文阅读 GoogleNet(Inception) Going deeper with convolutions-CSDN博客
论文阅读 ResNet Deep Residual Learning for Image Recognition-CSDN博客
论文阅读 ResNext Aggregated Residual Transformations for Deep Neural Networks-CSDN博客
Googlenet（inception）+resnet
论文在网络的深度宽度之外，又提出了一个新的维度：基数(cardinality、C)。增加基数也可以提高分类精度。增加容量时，增加基数比深入或更广泛更有效。
Vgg和resnet说明了构建非常深的网络的简单而有效的策略：堆叠相同形状的构建块，这个简单的规则减少了对超参数的自由选择
Inception模型：过滤器的数量和大小是为每个单独的转换量身定制的，并且模块是逐步定制的。尽管这些组件的精心组合产生了出色的神经网络配方，但设计太复杂
Resnext不需要人工设计复杂的Inception结构细节
左：resnet 右：resnext（C=32）
原始的ResNet-50具有256·64 + 3·3·64·64 + 64·256≈70k参数；Resnext-50有：C·（256·d + 3·3·d·d + d + d·256）参数。当C = 32和d = 4时，等式（4）≈70k。（虽然后者上下两个1*1的卷积层参数多于前者，但3*3的卷积层参数少）
a等效于b，看起来像Inception+ResNet。（concatenate是Inception里面的内容，可以理解为把特征图摞起来）但不同的是，我们在多个路径之间共享相同的拓扑结构。我们的模块需要最少的额外工作来设计每个路径。
这种结构用分组卷积的表示法变得更加简洁---图c。分组卷积层执行32组卷积，其输入和输出通道为4维。分组的卷积层将它们连接起来作为该层的输出。图c与原始resnet相似但图c是一个较宽但连接稀疏的模块。
结论：
Resnext结合了Googlenet和resnet。采用了Inception模块，但设计复杂度低于Inception；相比resnet，ResNeXt 在不明显增加参数的情况下提升了准确率。
作者提出了split-transform-merge 模式---一个很通用的抽象程度很高的标准范式：
作者直接废除了Inception的囊括不同感受野的特性仿佛不是很合理，在更多的环境中我们发现Inception V4的效果是优于ResNeXt的（但ResNeXt速度肯定更快）