论文阅读笔记：SqueezeNet

1. SqueezeNet

Iandola, Forrest N., et al. “SqueezeNet: AlexNet-level accuracy with 50x fewer parameters and< 0.5 MB model size.” arXiv preprint arXiv:1602.07360 (2016).

本文提出了一种轻量化的图像分类网络：SqueezeNet，正如文章的标题所写，参数量比AlexNet少50倍。可以被部署于嵌入式设备，在分布式训练时减少通信开销。

文章的思想来源于三个设计网络结构的策略：

1. Replace 3x3 filters with 1x1 filters （尽量用1x1卷积替换3x3卷积）
2. Decrease the number of input channels to 3x3 filters （3x3卷积的输入通道数尽可能减少）
3. Downsample late in the network so that convolution layers have large activation
   maps （下采样放到网络后面做，这样可以使得网络中间特征图的尺寸足够大，这有利于提高模型精度）
   其中策略1，2可以降低参数量，策略3是用于保证模型的精确度。
   

基于这三个策略，作者设计了如上图所示的网络模块，称为Fire Module。输入先经过squeeze层的1x1卷积进行降维处理，这里降的是通道维，因为后面需要用3x3卷积进行处理，遵循策略2需要减少3x3卷积输入的通道数。expand层由1x1卷积核3x3卷积混合组成，然后将两种卷积的输出在通道维进行拼接。整个过程都没有下采样，因此输出的图像尺寸和输入一样，但是输出的通道数就变成了expand层1x1卷积的输出通道数加上3x3卷积的输出通道数。

以下给出Fire Module的代码：

class Fire(nn.Module):

    def __init__(self, inplanes, squeeze_planes, expland1x1_planes, expand3x3_planes):
        # 输出的形状为 [batch_size, expand1x1_palnes + expand3x3_planes, H, W]
        super(Fire, self).__init__()
        self.squeeze = nn.Conv2d(in_channels=inplanes,
                                 out_channels=squeeze_planes,
                                 kernel_size=1)  # 用1x1卷积减少通道数
        self.squeeze_activation = nn.ReLU(inplace=True)
        # 混合卷积，不下采样
        self.expand1x1 = nn.Conv2d(in_channels=squeeze_planes,
                                   out_channels=expland1x1_planes,
                                   kernel_size=1)
        self.expand1x1_activation = nn.ReLU(inplace=True)
        self.expand3x3 = nn.Conv2d(in_channels=squeeze_planes,
                                   out_channels=expand3x3_planes,
                                   kernel_size=3,
                                   padding=1)
        self.expand3x3_activation = nn.ReLU(inplace=True)

    def forward(self, x):
        x = self.squeeze(x)
        x = self.squeeze_activation(x)
        y1 = self.expand1x1_activation(self.expand1x1(x))
        y2 = self.expand3x3_activation(self.expand3x3(x))
        return torch.cat((y1, y2), dim=1) # 通道维上拼接

将若干Fire Module进行叠加，其中用最大池化层进行下采样：

class SqueezeNet(nn.Module):

    def