V1
可分离卷积（深度卷积depthwise+逐点卷积pointwise）
最主要就是为了减少参数量，而且准确率差得不多
对比标准卷积，参数量和计算量都少了很多
v1的一个block
Relu6，感觉还是为了防止梯度爆炸吧
V2
Inverted residuals
对stride为1的block加入残差结构，先升维（维度太低，卷积效果不好。这里可以与v1对比），卷积，再降维
跟v1比多了先升维，逆残差，bottleneck（ 把最后的那个ReLU6换成Linear ，作者把这个部分称为linear bottleleneck）
V3
--更新Block（benck）
--使用h-swish和h-sigmoid
--使用NAS搜索参数（不熟）
--引入se通道注意力结构
--重新设计耗时层
v3的block
h-swish激活函数
将swish替换成h-swish，sigmoid替换成h-sigmoid
跟swish对比，hswish/hsigmoid函数更“hard”一点，相当于是swish的低精度化，但减少了计算量。
se通道注意力
注意力机制 SE通道注意力 - 知乎 (zhihu.com)
结构图
se是一个即插即用的模块，对于需要从channel角度赋予图像不同权重需求的时候就可以用。
重新设计了耗时层
