目录
SqueezeNet(2016.11)
作者认为模型的参数量是影响模型大小以及训练速度的主要因素,因此本篇文章的设计思想就在于如何减少模型的参数量。本篇文章共有6节,其中第1、2节为介绍及相关工作部分;第3节描述了SqueezeNet的网络架构。
作者使用3个策略来减少模型参数并保证模型精度:
- 将部分3x3的卷积核替换为1x1的卷积核:因为3x3的卷积核的参数量是1x1的卷积核的9倍;
- 减少输入到3x3的卷积核的通道数:参数量计算公式为
,减少输入通道数能够有效减少参数量,该部分的实现由Squeeze层来实现;
- 延迟降采样的使用:在网络的早期保持特征图的大小有助于提高模型精度。
Fire Module
该模块由squeeze layer(只有1x1的卷积核)和expand layer&