经典CNN结构之SqueezeNet(fire-module)

序言

立意方向：在不大幅降低模型精度的前提下，最大程度的提高运算速度，可移植部署工程化应用。
技术手段（网络设计方面）：减少可学习的参数量；减少网络运行的计算量。

网络结构

图解

【Fire模块】

【网络架构】

【详细设计】

详解

将 [3X3] 卷积替换成 [1X1] 卷积

减少 [3X3] 卷积的通道数量

将降采样后置

创新思想

核心点

1.FireModule，通过减少参数来进行模型压缩；
2.使用其他方法对SqeezeNet模型进行进一步压缩；
结构优化和模型压缩

感悟点

论文题目非常标题党，<0.5MB model size显然不是很合适，说多了得罪人；
工程化应用中很少应用SqueezeNet，研究人员写论文总是好的。

论文复现

参考论文

1.SqueezeNet: AlexNet-level accuracy with 50x fewer parameters and <0.5MB model size

代码实现

官方代码 SqueezeNet