Tiefverbundene neuronale Netze (CNN) haben in einer Vielzahl von Anwendungen beeindruckende Ergebnisse erzielt. Die Nutzung dieser Modelle auf mobilen oder eingebetteten Geräten ist jedoch aufgrund der begrenzten Speicher- und Rechenressourcen schwierig. In jüngster Zeit hat der invertierte Residual-Block die dominierende Lösung für die Architekturgestaltung kompakter CNNs werden. In dieser Arbeit untersuchen wir systematisch die bestehenden Entwurfskonzepte und überdenken die funktionalen Eigenschaften der beiden Pointwise-Convolutionen innerhalb der invertierten Residual-Blöcke. Wir stellen einen neuen Entwurf vor, den wir asymmetrische Bottlenecks nennen. Genauer gesagt, passen wir die Dimension der ersten Pointwise-Convolution an, verbessern den Informationsfluss durch Merkmalswiederverwendung und übertragen die gesparten Berechnungen auf die zweite Pointwise-Convolution. Auf diese Weise können wir die Genauigkeit weiter steigern, ohne die Berechnungskosten zu erhöhen. Die asymmetrischen Bottlenecks können als direkte Ersatzkomponente für bestehende CNN-Blöcke verwendet werden. Dadurch lässt sich AsymmNet einfach durch Stapelung solcher Blöcke unter Berücksichtigung geeigneter Tiefe- und Breitenbedingungen erstellen. Umfangreiche Experimente zeigen, dass unser vorgeschlagener Blockentwurf für mobile Netzwerke vorteilhafter ist als die ursprünglichen invertierten Residual-Bottlenecks, insbesondere für ultraleichte CNNs im Bereich unter 220 M MAdds. Der Quellcode ist unter https://github.com/Spark001/AsymmNet verfügbar.