ShuffleNet 편집하기 (부분)

==아키텍처==
ShuffleNet의 설계 핵심은 그룹 컨볼루션과 채널 셔플 연산을 조합하여 효율적으로 정보를 전달하는 것이다.
===핵심 설계 요소===
*포인트와이즈 그룹 컨볼루션(pointwise group convolution):
**채널을 여러 그룹으로 나누어 1×1 컨볼루션을 수행함으로써 연산량을 줄인다.  

*채널 셔플(channel shuffle):
**그룹 컨볼루션의 채널 간 정보 교류가 제한되는 문제를 해결하기 위해, 출력 채널을 재배열하여 그룹 간 상호작용을 가능하게 한다.
===전체 구조 개요 (ShuffleNet V1 기준)===
*입력: 224×224×3 RGB 이미지
*초기 컨볼루션: 3×3 컨볼루션 + 맥스풀링
*이후 여러 단계(stage)의 ShuffleUnit으로 구성됨
*마지막은 Global Average Pooling → Fully Connected → Softmax 출력
====ShuffleUnit 내부 구조====
#1×1 그룹 컨볼루션 (채널 축소 또는 그룹화)
#3×3 depthwise 컨볼루션 (공간 필터링)
#1×1 그룹 컨볼루션 (채널 확장)
#채널 셔플 연산
#잔차 연결 또는 출력 채널 변경 시 스트라이드/다운샘플링
===ShuffleNet V2 개선점===
ShuffleNet V2는 실제 장치에서의 속도, 메모리 접근 효율, 병렬 처리 성능 등을 고려하여 설계 지침(Guidelines)을 제시하였다.
*G1: 입력 채널과 출력 채널의 크기가 같을 때 MAC이 최소화된다.
*G2: 그룹 컨볼루션을 과도하게 사용하면 오히려 MAC이 증가할 수 있다.
*G3: 네트워크가 너무 조각(fragmented)되면 병렬 효율이 떨어진다.
*G4: 요소별 연산(element-wise operation)의 비용도 고려해야 한다.
ShuffleNet V2 유닛은 다음과 같은 구조를 따른다.
*채널 스플릿(channel split): 입력 채널을 두 갈래(branch)로 나눈다.
*한 브랜치는 연산을 거치고, 다른 브랜치는 아이덴티티(identity)로 유지된다.
*연산 브랜치: 1×1 컨볼루션 → 3×3 depthwise 컨볼루션 → 1×1 컨볼루션
*두 브랜치를 합친 뒤 채널 셔플 연산 수행.