摘要：卷积神经网络推算过程在计算和存储的消耗上都存在瓶颈。尤其将模型部署在边缘设备上，比如手机。甚至，卷积神经网络在高性能服务器上的训练也是高消耗的，尤其是卷积层和全链接层的乘法运算。为了减轻这个总是，本文提出通过卷积移位和全链接移位代替乘法运算。提出两个移位模型DeepShift-Q和DeepShift-PS。转换ResNet18、ResNet50、VGG16、GoogleNet为移位模型并时行训练，结果是准确率均高于原模型。并且，移位的ResNet18模型在GPU上的训练时间，相比较原模型减少了25%。
