SqueezeNet | 轻量级深层神经网络

版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/qiu931110/article/details/86586690

SqueezeNet的作者来自Berkeley和Stanford，论文的题目毫无学术气息，且有一股浓烈的网络爆文感。SqueezeNet: AlexNet-level accuracy with 50x fewer parameters and <0.5MB model size. 论文的题目直接的表达了论文的结果，实现了与AlexNet相同精度，但只用了1/50的参数量。且模型的参数量最少可以压缩到0.5M，这是AlexNet的1/510的参数量。SqueezeNet提出了FireModule模块实现了参数优化。

论文链接：http://arxiv.org/abs/1602.07360
代码链接（Caffe）：https://github.com/DeepScale/SqueezeNet
代码链接（Keras）：https://github.com/rcmalli/keras-squeezenet

1.SqueezeNet网络结构

SqueezeNet网络结构如下，其核心结构FireModule的组合形式。左图是SqueezeNet的整体结构，中图和右图是将ResNet网络中的shortcut引入所构建的网络，所以只是一种提升策略与SqueezeNet无关，本文不多做解释。

上图左图网络中各个层的滤波器参数具体如下：

2.FireModule详解

接下来通过图文并茂的方式来解释FireModule是如何工作的。

如上图所示，FireModule由squeeze模块和expand模块。该模块的主要有两大特性。

（1）squeeze模块：利用1*1卷积进行降维（所以如图中的16<128）

（2）expand模块：利用11卷积+33卷积组合升维。

整个网络还有一个特性：

（3）将poolint采样操作延后，可以给卷积层提供更大的激活图：更大的激活图保留了更多的信息，可以提供更高的分类准确率

其中，（1）和（2）可以显著减少参数数量，（3）可以在参数数量受限的情况下提高准确率。

3.实验结果

最终的实验结果如下图所示，证明了SqueezeNet具有优越性。