改进
Densenet是一个非常棒的网络结构，但是特别耗费显卡。
然后作者给出了解决方法
黄高博士及刘壮取得联系两位作者对 DenseNet 的详细介绍及常见疑问解答
DenseNet 特别耗费显存？
不少人跟我们反映过 DenseNet 在训练时对内存消耗非常厉害。这个问题其实是算法实现不优带来的。当前的深度学习框架对 DenseNet 的密集连接没有很好的支持，我们只能借助于反复的拼接（Concatenation）操作，将之前层的输出与当前层的输出拼接在一起，然后传给下一层。对于大多数框架（如 Torch 和 TensorFlow），每次拼接操作都会开辟新的内存来保存拼接后的特征。这样就导致一个 L 层的网络，要消耗相当于 L(L+1)/2 层网络的内存（第 l 层的输出在内存里被存了 (L-l+1) 份）。
解决这个问题的思路其实并不难，我们只需要预先分配一块缓存，供网络中所有的拼接层（Concatenation Layer）共享使用，这样 DenseNet 对内存的消耗便从平方级别降到了线性级别。在梯度反传过程中，我们再把相应卷积层的输出复制到该缓存，就可以重构每一层的输入特征，进而计算梯度。当然网络中由于 Batch Normalization 层的存在，实现起来还有一些需要注意的细节。为此我们专门写了一个技术报告（Memory-Efficient Implementation of DenseNets, https://arxiv.org/pdf/1707.06990.pdf）介绍如何提升 DenseNet 对内存的使用效率，同时还提供了 Torch, PyTorch, MxNet 以及 Caffe 的实现，代码参见：
Torch implementation: https://github.com/liuzhuang13/DenseNet/tree/master/models
PyTorch implementation: https://github.com/gpleiss/efficient_densenet_pytorch
MxNet implementation: https://github.com/taineleau/efficient_densenet_mxnet
Caffe implementation: https://github.com/Tongcheng/DN_CaffeScript
我平时用tensorflow，我对其中这种功能并不了解有没有这个功能（知道的小伙伴可以留言喷我下）。然后我想起了另一个人脸识别的论文中的降channel的方法--MFM，我对densenet的中间层和后面一层用了MFM处理（5层）。来达到降低channel的目的，这样也就降低了拼接占用资源大的问题。
什么是MFM呢？你看我的代码很好理解，MFM代码。就是对feature map间的maxpool处理。
为什么选择中间和最后一层处理MFM，前面层提取特征并不明显，用maxpool会损失一些信息。中间层的特征提取的比较突出了，丢失信息不会太对。这里说下，并没有对前面层提出的feature map进行MFM，而是我画的红圈处（直线上的，不是前面跳跃过来的）。
目前在小的训练集（cifar10）上表现还不错。性能/计算量上得到了明显的提升。
后记
这种方法还有待改进，或者尝试前面跳跃过来的feature map，他们哪些也可以MFM处理。但是因为设备（1070小笔记本），电费问题，我目前做不到挨个测试。
我认为，训练集足够，训练次数够多，这个方法会很不错。
--------
对mfm的改进。运用了通道剪枝的理论来实现，效果相当不错，在cirf10数据上，acc降低不太多。