ghostnet网络结构

GhostNet是由四川大学的学者提出的一种轻量级卷积神经网络结构，其主要特点是采用了Ghost Module，即Ghost Bottleneck模块来替代传统的ResNet中的Bottleneck模块。Ghost Module在减小模型大小的同时保持了模型的精度，因此在移动设备上有着较好的应用前景。

GhostNet的网络结构主要分为四个部分：stem、ghost stage、stage 2～n和classifier。其中，stem主要用于对输入的图像进行初步特征提取，ghost stage是GhostNet的核心模块，由多个Ghost Bottleneck模块组成，stage 2～n则是由多个标准的Bottleneck模块组成的，用于进一步提取特征，最后的classifier则是将提取到的特征进行分类输出。

Ghost Bottleneck模块与ResNet的Bottleneck模块类似，但是通过使用Ghost Module来替代ResNet中的Conv2d操作，将模型中的参数量减少了约50%。Ghost Module使用1x1卷积和分组卷积来进行特征提取，通过将输入通道分成多个组，每个组只跟另一个组进行卷积操作，从而大大减少了模型中的参数量。

GhostNet在训练时使用了Mixup数据增强技术，加强了模型的泛化能力。同时，GhostNet还采用了SENet中的Squeeze-and-Excitation模块，进一步提高了模型的精度。