【pytorch】对图实现SqueezeNet中的fire模块，低带宽场景中的轻量级网络

由fire模块组成的轻量级网络SqueezeNet，精度与ALexNet相近，但模型大小缩小了50倍。
下面是SqueezeNet的网络结构图：

整个网络包含10层。
第1层为卷积层，提取96通道特征。
第2到9层为fire模块，每两个模块之后，通道数会增加。
在1,4,8层之后加入降采样的max pooling，缩小一半尺寸。
第10层又是卷积层，为小图的每个像素预测1000类分类得分。
最后average pooling得到这张图的1000类得分，使用softmax函数归一化为概率。
注意，网络中所有激活函数默认使用Relu。
下面是SqueezeNet的Fire模块结构图：

默认先经卷积压缩通道至1/4，再经量两通道放大后再组合。其中卷积后产生的通道变换数目可以为参数的形式：
pytorch代码为：

import os.path
from typing import Iterator
import numpy as np
import torch
import cv2
from PIL import Image
from torch.utils.data import Dataset, DataLoader, Subset, random_split
import re
from functools import reduce
from torch.utils.tensorboard import SummaryWriter as Writer
from torchvision import transforms, datasets
import torchvision as tv
from torch import nn
import torch.nn.functional as F
import time

class myCustomerFire(nn.Module):
    #indim,outdim为输入及输出的通道数：
    def __init__(self,channalIn,squeezeFactor=0.25,expendFactor=0.5):
        super().__init__()
        #压缩后的通道数目,int直接截断小数,round取最近丁达整数值
        self.channelAfterSqueeze=round(channalIn*squeezeFactor)
        #扩张后的通道数目
        self.channelAfterExpansion=round(channalIn*expendFactor)

        self.squeezeLay=self._getCnnWithRelu(channalIn,self.channelAfterSqueeze,1,0)
        self.cnnLeft=self._getCnnWithRelu(self.channelAfterSqueeze,self.channelAfterExpansion,1,0)
        self.cnnRight =self._getCnnWithRelu(self.channelAfterSqueeze,self.channelAfterExpansion,3,1)


    def _getCnnWithRelu(self,indim,outdim,ksize,padding,hasRelu=True):
        if hasRelu:
            return nn.Sequential(nn.Conv2d(indim, outdim, kernel_size=ksize, padding=padding), nn.ReLU(True))
        else:
            return nn.Sequential(nn.Conv2d(indim, outdim, kernel_size=ksize, padding=padding))

    def forward(self,x):
        x1 =self.squeezeLay(x)
        L=self.cnnLeft(x1)
        R=self.cnnRight(x1)
        return torch.cat([L,R],1)

myNet=myCustomerFire(32)
k = torch.rand(1, 32, 56, 56)
print(myNet(k).shape)

输出结果为：

torch.Size([1, 32, 56, 56])