一个卷积核是3维的(Ci*k*k)，一个卷积层是4维的
Ci :输入通道数 ，padding :左右两边补零的数量
stride :步长，滑窗隔几个滑一下 。padding 和K 要匹配使用
没有提取任何的空间信息，只是简单的缩放
2(Ci/2*K*K/Co/2) 正常卷积的1/2。一般显卡不够用的时候要分组卷积
一般会和pointwise 卷积一起使用
卷积核之间打洞 c图的dilation（扩大） =3(2个卷积和之间隔着3个)
正常卷积把尺寸变小，而反卷积把尺寸变大
VGG从深度考虑，而GoogLeNet从宽度考虑
浅黄色1*1Conv 为了把输入通道数目降低，从而降低卷积层大小，降低网络参数量
v3 的感受野并没有变化
一般网络越深性能越好，但深到一定程度性能开始变差
因为太深网络无法训练
ResNet设计的初衷：训练很深的网络
DenseNet ：网络小，性能强，但耗时
SENet :Pooling 后得到一个C维的向量（代表每个通道数的得分）给channel 打分，区分哪些channel是重要的，attention 是网络自动学习得到的。
