人工智能是人类未来发展的重要方向,而深度学习便是其中最为著名的研究方向之一。深度学习的出现促进计算机视觉、自然语言处理、推荐算法等多个领域的发展,同时也辅助人们在生物,医学等领域的研究。作为当下最为流行的研究方向之一,深度学习模型的效率却并不让人满意,这导致深度学习模型往往需要部署在昂贵计算成本平台上而非嵌入式设备或者手机等这类低计算成本平台。这限制深度学习的广泛应用。如何提升神经网络效率是一个非常有意义的问题。在加速深度学习模型推理速度的研究队伍中,存在一部分研究者从模型结构方面下手,通过优化模型结构来减少不必要的浮点计算,进而实现加速模型推理的目的。这类方法称作效率神经网络结构设计,其中主要包含三类子方法:模型剪枝、效率架构以及神经架构搜索。而本文提出的方法是属于效率架构这类子方法。本文提出一种新式的效率卷积——组共享卷积,其通过对输入特征分组,使组内特征共享同一卷积核来降低卷积的浮点运算量。然而,所有效率卷积提升效率的同时必然存在缺陷,而组共享卷积作为其中之一,也不可避免会陷入组内信息趋同的困境。为克服这个缺陷,本文通过组合不同效率卷积,从而对不同效率卷积取长补短,最终组合出一种新式的模型单元,之后在该模型单元为基础情况下,构建一种新的效率网络架构——Shared Net。在著名大型数据集Image Net上,Shared Net实现手动设计效率模型中最好的结果（73.06%）。然而Shared Net在效率和性能上都有所不足,一方面是因为模型单元未能细化每个卷积的功能,另一方面在于模型架构方面也与主流架构的网络有所差距。因此,关于模型单元,本文主要参考Mobile Net V3单元和Shuffle Net单元设计出正向共享残差瓶颈以及逆向共享残差瓶颈;关于模型架构方面,本文主要参考Mobile Net V3架构设计出新式效率卷积神经网络——Shared Net V2,其在Image Net数据集上超越Google的Mobile Net V3以及华为诺亚方舟实验室的Ghost Net,取得76.03%的准确率。