论文地址：https://arxiv.org/pdf/1901.01928v1.pdf
引入了一种卷积层的变体，称为DSConv（分布偏移卷积），其可以容易地替换进标准神经网络体系结构并且实现较低的存储器使用和较高的计算速度。 DSConv将传统的卷积内核分解为两个组件：可变量化内核（VQK）和分布偏移。 通过在VQK中仅存储整数值来实现较低的存储器使用和较高的速度，同时通过应用基于内核和基于通道的分布偏移来保持与原始卷积相同的输出。 我们在ResNet50和34以及AlexNet和MobileNet上对ImageNet数据集测试了DSConv。 我们通过将浮点运算替换为整数运算，在卷积内核中实现了高达14x的内存使用量减少，并将运算速度提高了10倍。 此外，与其他量化方法不同，我们的工作允许对新任务和数据集进行一定程度的再训练。

总体改进

考虑到这一点，研究者提出了一种新型的卷积层，我们称之为分布移位卷积（DSConv）。这种类型的层在设计时考虑了两个主要目标：

1. 它应该大大提高标准卷积层的内存效率和速度；
2. 它应该是标准卷积的即插即用替代品，因此它可以直接用于任何卷积神经网络，包括推理和训练。

研究者通过将传统的卷积内核分解为两个组件来实现这一点。其中之一是只有整数值的张量，不可训练，并根据预训练网络