1：文字回答：用自己的语言描述 split-transform-merge是怎样一个过程.
先通过1x1卷积实现低维变换，将特征图分解为cardinality个分支，然后对每个分支进行变换（用网络层对数据进行操作）。最后对32个分支得到的变换结果——特征图进行聚合(求和)
2：文字回答：ResNeXt-50_32x4d 中的50， 32和4分别表示什么意思？
50：网络一共50层，C=32：分组卷积的分组数，4d：每组的通道数是4（卷积核数）
3：文字回答：分组卷积能减少多少参数？（输入通道数、输出通道数均一致的情况下）
5x106
4：文字回答：读完该论文，对你的启发点有哪些？
1）视觉任务研究方向从传统的特征工程转向网络工程
2）相同架构的block进行堆叠，可以减少过度适应的风险，侧面反映出Inception系列模型泛化性能可能较差
3）ResNeXt并不是模型集成的，各个branch是共同训练的，只有当模型分开训练时才称为模型集成
4）VGG与ResNet的两个优秀的网络设计准则：处理相同尺寸的特征图时，采用同样大小、数量的卷积核
当特征图分辨率长宽降低2倍时，特征图通道数（卷积核数量）翻倍。
5）相同的结构便于调试，不至于过适应具体任务
6）参数少训练速度不一定快，要看硬件对operations的支持情况
7）ImageNet-1K数据集上模型精度饱和，并不是模型能力问题，而是数据太少，在ImageNet-5k上进行实验resnext方差大，resnet方差小
5：代码实现(选做题)：在cifar-10上训练一个resnext29，将训练曲线，混淆矩阵图等信息贴出来分享
