SqueezeNet网络模型非常小，但分类精度接近AlexNet。
这里复习一下卷积层参数的计算
输入通道ci，核尺寸k，输出通道co，参数个数为：
以AlexNet第一个卷积为例，参数量达到：3*11*11*96=34848
基础模块
包含三个卷积层（蓝色），步长为1，分为squeeze和expand两部分，分别压缩和扩展数据（灰色矩形）的通道数
expand部分中，两个不同核尺寸的结果通过串接层（黄色）合并输出
fire模块有三个可调参数：
- s1：squeeze部分，1x1卷积层的通道数
- e1：expand部分，1x1卷积层的通道数
- e3：expand部分，3x3卷积层的通道数
输入输出尺寸相同。输出通道数不限，输出通道数为e1+e3
在本文提出SqueezeNet结构中，
网络结构
整个网络包含10层
第1层为卷积层，缩小输入图像，提取96维特征
第2到9层为fire模块，每个模块内部先减少通道数（squeeze）再增加通道数（expand）。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，缩小一般尺寸
第10层又是卷积层，为小图的每个像素预测1000类分类得分
最后用一个全图average pooling得到这张图的1000类得分，使用softmax函数归一化为概率
这是一个全卷积网络，避免了如今越来越不受待见的全连接层。由于最后一层提供了全图求平均操作，可以接受任意尺寸的输入。当然，输入还是需要归一化大致相当的尺寸，保持统一尺度
全连接层的参数多，对性能提升帮助不大，现在往往被pooling代替
这个网络达到了和AlexNet相当的分类精度，但模型缩小了50倍
| architecture | model size | top-1 accuracy | top-5 accuracy |
|---|---|---|---|
| AlexNet | 240MB | 57.2% | 80.3% |
| SqueezeNet | 4.8MB | 57.5% | 80.3% |
网络设计的要点
1. 为了使1x1和3x3filter输出的结果有相同的尺寸，在expand modules中，给3x3filter的原始输入添加一个像素的边界（zero-padding）
2. squeeze和expand layers中都是用ReLU作为激活函数
3. 在fire9 module之后，使用Dropout，比例取50%
4. 训练过程中，初始学习率设为为0.04，在训练过程中线性降低学习率
5. 由于caffe中不支持使用两个不同尺寸的filter，在expand layer中实际上使用了两个单独的卷积层（1x1filter和3x3filter），最后将这两层的输出连接在一起，这在数值上等价于使用单层但是包含两个不同尺寸的filter
当然SqueezeNet还可以继续压缩，使模型更小。SqueezeNet采用了一些deep-compression的方法，比如裁剪，量化和编码
裁剪：设置阈值，对于小于阈值的参数直接写0，然后用非零参数再次训练
量化：对参数做聚类，然后每个类别的参数的梯度值相加，作用在聚类中心上
编码：Huffman编码进一步压缩存储
参考：