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