1. 参考
博客：RepVGG网络简介
2. 主要内容
2.1.与其他网络对比
如下图所示，RepVGG无论是在精度还是速度上都已经超过了ResNet、EffcientNet以及ReNeXt等网络。
2.2. 创新点，结构重参数化
在训练时，使用一个类似ResNet-style的多分支模型，而推理时转化成VGG-style的单路模型，如下图所示，图（B）表示RepVGG训练时所采用的网络结构，而在推理时采用图（C）的网络结构。
2.3. 训练为何用多分支
类似Inception系列、ResNet以及DenseNet等模型，我们能够发现这些模型都并行了多个分支。至少根据现有的一些经验来看，并行多个分支一般能够增加模型的表征能力，如下图所示通过是否选择1*1分支和恒定映射分支的消融实验，可以得出多分支可以提高模型性能的结论。
2.4. 推理为什么用单路
- 更快：考虑到硬件计算的并行程度和内存访问成本，多分支模型在推理时需要分别计算每个分支的结果（快的还要等慢的），导致硬件算力利用率低且并行度不高，并且频繁的内存访问和写入会浪费大量时间。
- 省内存：如图下图（A）所示的Residual模块，假设卷积层不改变channel的数量，那么在主分支和shortcut分支上都要保存各自的特征图或者称Activation，那么在add操作前占用的内存大概是输入Activation的两倍，而图（B）的Plain结构占用内存始终不变。
- 更灵活：对于多分支的模型，结构限制较多剪枝很麻烦，而对于Plain结构的模型就相对灵活很多，剪枝也更加方便。
（完）