SqueezeNet 发表于ICLR-2017，作者分别来自Berkeley和Stanford，SqueezeNet不是模型压缩技术，而是 “design strategies for CNN architectures with few parameters”
创新点:
1. 采用不同于传统的卷积方式( 类似于inception思想) ，提出fire module；fire module包含两部分分：squeeze层+expand层
创新点inception的思想太接近，应该不算是突破性的。首先squeeze层，就是1*1卷积，其卷积核数要少于上一层feature map数，这个操作从inception系列开始就有了，并称之为压缩，但我觉得“压缩”更为妥当。
Expand层用1*1 和3*3 分别卷积，然后concat，这个操作再inception系列里面也有啊。。。
——————————————分割线————————————-
SqueezeNet的核心在于Fire module，Fire module 由两层构成，分别是squeeze层+expand层，如下图所示，squeeze层是一个1*1卷积核的卷积层，expand层是1*1 和3*3卷积核的卷积层，expand层中，把1*1 和3*3 得到的feature map 进行concat，具体操作如下图2所示
Fire module输入的feature map为H*W*M的，输出的feature map为H*M*(e1+e3)，可以看到feature map的分辨率是不变的，变的仅是维数，也就是通道数，这一点和VGG的思想一致。
首先，H*W*M的feature map经过Squeeze层，得到S1个feature map，这里的S1均是小于M的，以达到“压缩”的目的，详细思想可参考Google的Inception系列。
其次，H*W*S1的特征图输入到Expand层，分别经过1*1卷积层和3*3卷积层进行卷积，再将结果进行concat，得到Fire module的输出，为 H*W*(e1+e3)的feature map。
fire模块有三个可调参数：S1，e1，e3，分别代表卷积核的个数，同时也表示对应输出feature map的维数，在本文提出的SqueezeNet结构中，e1=e3=4s1
接下来看squeezenet.网络结构：
首先经过conv1，之后是fire2-9，最后是一个conv10，最终采用global avgpool代替FC层进行输出；
更详细参数如下图所示：
看看squeezenet与alexnet的对比：
这里采用了deep compression技术，对squeezenet进行了压缩，最终才会得到0.5M的模型，并且模型性能还不错；
Deep compression是ICLR-2016 best paper！详细见：
（https://arxiv.org/pdf/1510.00149.pdf）
看了上图再回头看一看论文题目：
SqueezeNet ：AlexNet-level accuracy with 50x fewer parameters and <0.5MB
Squeezenet比alexnet参数少50倍，这个没问题，上图倒数第三行可见；但是， and < 0.5MB, 这个和squeezenet完全没关系啊！是用了别的技术获得的。很容易让人误以为squeezenet可以压缩模型！！