模型压缩(4)

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

   

论文地址: Arxiv Paper

Github: Caffe

   

设计理念：

• 使用1x1 conv 替换 3x3 conv

  1x1conv的参数量是3x3conv的1/9

  在expand 中用部分conv1x1替换3x3，目的是为了不影响Accuracy

• 减少conv3x3的ic (input channel)

                             通过squeeze 中conv1x1对expand的输入进行降维，即减少expand对应的ic

• 延迟下采样

                             前面的layers有更大的特征图，有利于提升模型的Accuracy

                   downsampling的方法：strides>1的卷积层，pooling layer

   

Fire Module

模块化卷积 key points:

• squeeze conv1x1 layer: 使用conv1x1进行channel的降维， 达到1中第一小点
• Expand conv1x1+conv3x3 layer: 部分使用conv1x1替代conv3x3，
• 可调节参数

s1x1 (squeeze convolution layer中conv1x1的output channel)

e1x1 (expand convolution layer中conv1x1的output channel)

e3x3 (expand convolution layer中conv3x3的output channel)

令s1x1 < e1x1 + e3x3，既能减少参数，又保证了精度，实现1中第二小点 

• • • fire module 实际上是bottle neck module的变形与InceptionV1模块区别不大，只是少做了几种尺度的卷积而已。

   

Network structure

• Left: 标准的squeezeNet
• Middle: 加入了残差bypass结构
• Right：加入了复杂的bypass结构

参数详细说明

• 参数量计算公式：oc x ic x kh x kw
• 原始不加Fires module的参数计算

  输入55x55x96, 输出55x55x128

  参数量： 128x96x3x3 = 110,592 (不明白Table1中为什么是11920?)

• 加入Fire2 module的参数计算

  Squeeze conv1x1: 96x16x1x1

  Expand conv1x1: 16x64x1x1

  Expand conv3x3: 16x64x3x3x 1/3(sparsity)

  参数量：96x16x1x1 + 16x64x1x1 + 16x64x3x3x 1/3 = 4,096 (也不是Table1中的5746?)

  

Reference

SqueezeNet详细解读

SqueezeNet模型详解