深度卷积神经网络（CNN）在众多应用领域取得了令人瞩目的成果。然而，由于移动设备和嵌入式设备的内存与计算资源受限，直接部署这类模型仍面临挑战。近年来，倒置残差块（inverted residual block）已成为紧凑型CNN架构设计的主流方案。在本工作中，我们对现有设计范式进行了全面分析，重新思考了倒置残差结构中两个逐点卷积（pointwise convolution）的功能特性。为此，我们提出了一种新型设计——非对称瓶颈结构（asymmetrical bottlenecks）。具体而言，我们调整了首个逐点卷积的通道维度，通过特征复用增强信息流动，并将节省下来的计算量迁移至第二个逐点卷积中。这一设计在不增加计算开销的前提下，进一步提升了模型精度。非对称瓶颈结构可作为现有CNN模块的即插即用替代方案，因此我们可基于适当的深度与宽度配置，轻松堆叠这些模块构建出全新的网络架构——AsymmNet。大量实验结果表明，相较于原始的倒置残差瓶颈结构，所提出的模块设计在移动端网络中表现更优，尤其适用于计算量低于220M MAdds的超轻量级CNN模型。相关代码已开源，地址为：https://github.com/Spark001/AsymmNet。