一、简介

在ResNet的基础上，对残差结构的block进行了更新。

ResNeXt网络是一种深度神经网络架构，可以视为对ResNet（残差网络）的改进和升级。ResNeXt结合了VGG网络的堆叠相同基础模块的策略以及Inception系列网络中的split-transform-merge思想。

左边的结构更新为右边的

ResNeXt的效果比之前的网络还是有提升的。可以看到图中的错误率是明显降低的。

二、组卷积 

上面是没有分组卷积，假设每个卷积核的高和宽都是k，输入的特征矩阵的深度为C，因为有n个卷积核，所以需要的参数为 k x k x C x n。

下面是进行分组卷积，假设分为g组，每一组的输入特征矩阵的深度为 C/g，每个卷积核的参数个数是 k x k x C/g,因为最终需要得到一个channel为n的特征矩阵，所以对于每一个group而言，需要使用 n/g 个卷积核所以每个group的所需参数为 k x k x C/g x n/g；又因为划分为了g个组，所以最后所需参数为k x k x C/g x n/g x g（最后化简后是图片中下面的式子）

通过比较，经过组卷积后的参数是没有使用组卷积的 1/g，g也就是我们所采用的group数

三、block更新 

这三个block模块，在数学上是完全等价的

 方框指向的箭头是将原来的block替换的。

（b）（c）之间的等价是通过32个组不断叠加实现的 32 x 4 = 128

 （a）（b）之间的等价过程

（a）先卷积再拼接

（b）先拼接再卷积 

可以看出根据举得简单的例子，两种方式在数值上都是相等的 

四、ResNeXt网络参数

在搭建过程中ResNeXt与ResNet搭建非常相似，只需在ResNet的基础上更改block结构即可。

 将group数设置为32是因为设置为32组时错误率最低的。