ConvNeXt 系列改进：引入 FasterNet 部分卷积（PConv），大幅降低 ConvNeXt 内存访问冗余与 FLOPS

一、引言：当 ConvNeXt 的“大核卷积”撞上“内存墙”

ConvNeXt 自 2022 年由 Meta AI 团队推出以来，以纯卷积架构在 ImageNet-1K 上达到 87.8% 的 top-1 准确率，彻底刷新了业界对 CNN 能力边界的认知。其核心设计哲学——向 Swin Transformer“取经”并系统性改造传统 CNN——让 ConvNeXt 成为计算机视觉领域最重要的骨干网络之一。2023 年，ConvNeXt V2 更进一步，通过引入 FCMAE 预训练框架和 GRN 归一化层，将 Huge 版本在 ImageNet 上的 top-1 准确率推高至惊人的 88.9%。

然而，高精度的代价是高昂的计算成本。根据 ConvNeXt-V2 官方文档，最小的 Atto 版本参数量为 3.7M、计算量为 0.55G FLOPs，而 Tiny 版本参数量达 28.6M、计算量为 4.47G FLOPs。这个体量在服务器端或许毫无压力，但当我们试图将其部署到移动设备、嵌入式终端甚至边缘算力受限的场景时，一个根本性的问题浮出水面：纸面 FLOPs 很低，实际跑起来却很慢。

问题的根源在哪？ConvNeXt 广泛采用的 7×7 Depthwise 卷积。虽然理论计算量（FLOPs）不高，但深度可分离卷积天然存在一个致命缺陷——频繁的内存访问（Memory Access）导致 FLOPS（每秒浮点运算次数）极低。换句话说，硬件的大量时间被消耗在等待数据从内存搬运到计算单元上，而非真正执行计算。这就是所谓的“内存墙（Memory Wall）”瓶颈