各种教学视频或文档资料+QQ：635992897近期需要做移动端深度学习项目，首先调查了一下适合移动端的深度学习网络，常用的主要有：SqueezeNet、MobileNet、ShuffleNet、Xception

一、SqueezeNet模型原理采用GlobalAveragePooling代替FC层采用不同于传统的卷积方式，提出firemodule；firemodule包含两部分：squeeze层和expand层

SqueezeNetAlexNet-levelaccuracywith50xfewerparametersand0.5MBmodelsizeSqueezeNet是一种网络结构，准确率与AlexNet相当（ImageNet数据集上），但参数量减少50倍。同时，该网络通过压缩技术可以小于0.5mb，比AlexNet小510倍本文主要内容：介绍relatedwork描述并评估SequeezeNetArc

个人的计划是分成配置和运行官方教程，利用自己的数据集进行训练和利用caffe来实现别人论文中的模型(目前在尝试的是轻量级的SqueezeNet)三步

模型压缩的另一思路就是在网络的通道上进行压缩，以SqueezeNet，MobileNet，ShuffleNet等为代

总结今年来的几个轻量化模型：SqueezeNet、Xception、MobileNet、ShuffleNet下面给出时间轴：2016.02伯克利&斯坦福提出SqueezeNet2016.10google

纵览轻量化卷积神经网络：SqueezeNet、MobileNet、ShuffleNet、Xception实现轻量化技巧轻量化主要得益于depth-wiseconvolution，解决「信息流通不畅」的问题

blog.csdn.net/wspba/article/details/75671573若有不对，欢迎指正，先谢了目前，通常意义上的网络模型压缩，主流思路有两个方向，一个是设计更小的网络模型，这个侧重轻量级网络模型设计，如SqueezeNet

目录一、原文地址和简介三、创新点三、SqueezeNet小结：一、原文地址和简介SqueezeNet由伯克利&斯坦福的研究人员合作发表于ICLR-2017，论文标题:《SQUEEZENET:ALEXNET-LEVELACCURACYWITH50XFEWERPARAMETERSAND

我将SqueezeNet作为base_network用到fasterrcnn上，检测一下自己的任务，最终实现的mAP

这是由UCBerkerley和Stanford研究人员一起完成的Squeezenet网络结构和设计思想。SqueezeNet设计目标是在保持精度（Alexnet）的情况下简化网络的复杂度。

MNIST数字识别模型Mobilenet-SSD人脸检测模型Mobilenet-SSDVOC物体检测模型SqueezeNet图像分类模型GoogleNet图像识别模型（特征提取）FaceNet人脸识别模型

性能提升方法本文github链接1.小模型mobilenet,更精细模型的设计，紧致网络设计mobilenetsqueezenetshufflenet123MobileNet逐通道卷积+普通点卷积SqueezeNet1

1、caffe下yolo系列的实现1.1caffe-yolo-v1我的github代码点击打开链接参考代码点击打开链接yolo-v1darknet主页点击打开链接上面的caffe版本较老。对新版的cudnn支持不好，可能编译出错，需要修改cudnn.hpp头文件在次进行编译，修改后的cudnn.hpp文件，可在我的github主页找到。步骤：0、voc数据集转换成caffe下数据库格式文件，上述g

1、SqueezeNet：AlexNet-levelaccuracywith50xfewerparametersand<0.5MB发表于ICLR-2016，作者分别来自Berkeley和Stanford

会议：ICLR2017标题：《SQUEEZENET:ALEXNET-LEVELACCURACYWITH50XFEWERPARAMETERSAND1）来将下采样设计到CNN架构中。

本文就近年提出的四个轻量化模型进行学习和对比，四个模型分别是：SqueezeNet、MobileNet、ShuffleNet、Xception。

一引言自2012年AlexNet以来，卷积神经网络（简称CNN）在图像分类、图像分割、目标检测等领域获得广泛应用。随着性能的要求越来越高，AlexNet已经无法满足大家的需求，于是乎各路大牛纷纷提出性能更优越的CNN网络，如VGG，GoogLeNet，ResNet，DenseNet等。由于神经网络的性质，为了获得更好的性能，网络层数不断增加，从7层AlexNet到16层VGG，再从16层VGG到G

makeexamples网络名time(ms)caffe_alexnet88.04caffe_googlelenet93.65caffe_squeezenet46.70tf_inception_v3561.82tf_inception_v188.57ncappzoo

随着越来越复杂的深度架构的提出，一些网络可能就流行几年就走下神坛，但是其背后的设计哲学却是值得学习的。可以看到，网络的深度越来越大，以保证得到更好的准确度。网络结构倾向采用较少的卷积核，如1x1和3x3卷积核，这说明CNN设计要考虑计算效率了。一个明显的趋势是采用模块结构，这在GoogLeNet和ResNet中可以看到，这是一种很好的设计典范，采用模块化结构可以减少我们网络的设计空间，另外一个点是

原文地址：https://blog.csdn.net/Uwr44UOuQcNsUQb60zk2/article/details/79019191本文就近年提出的四个轻量化模型进行学习和对比，四个模型分别是：SqueezeNet

声明：翻译自QuickcompleteTensorflowtutorialtounderstandandrunAlexnet,VGG,Inceptionv3,ResnetandsqueezeNetnetworks虽然原文中有第3部分，使用预训练网络，但是文章中没有贴代码，所以本文没有翻译这一个部分。TensorFlow卷积网络教程本文包括2部分：介绍一些成功的卷积网络，如AlexNet，Resne

前言：整体上翻译了squeezenet：AlexNet-levelaccuracywith50Xfewerparamentersand0.5MBmodelsize.这篇论文，便于英文基础不好的同行进行阅读

概要：SqueezeNet的工作为以下几个方面：提出了新的网络架构FireModule，通过减少参数来进行模型压缩使用其他方法对提出的SqeezeNet模型进行进一步压缩对参数空间进行了探索，主要研究了压缩比和

1.SquezeeNet标题SQUEEZENET:ALEXNET-LEVELACCURACYWITH50XFEWERPARAMETERSAND<0.5MBMODELSIZE作者团队，发表时间伯克利&斯坦福

新的卷积计算方法这种是直接提出新的卷积计算方式，从而减少参数，达到压缩模型的效果，例如SqueezedNet,mobileNet1.SqueezeNet:AlexNet-levelaccuracywith50xfewerparametersand

6.如何使用KerasAPI构建并运行SqueezeNet卷积神

SqueezeNet于2016年提出，其主要目的是在保证当时已有的模型准确度的同时减少CNN模型中的参数。

Caffe2(3)----下载现成的模型并使用Caffe2训练好的模型可在ModelZoo下载，下载的命令很简单，接下来以下载和使用squeezenet为例，进行简单说明。

今年二月份，UCBerkeley和Stanford一帮人在arXiv贴了一篇文章：SqueezeNet:AlexNet-levelaccuracywith50xfewerparametersand<0.5MBmodelsize

18/6/13更新：由于评论区很多说效果不明显，这是因为之前使用的是Squeezenet，且并没有经过任何预训练，所以效果不是很好。

一引言二轻量化模型2.1SqueezeNet2.2MobileNet2.3ShuffleNet2.4Xception三网络对比一引言自2012年AlexNet以来，卷积神经网络（简称CNN）在图像分类、

深度学习模型参数很多（模型很大）是制约深度学习模型部署在移动端一个很大的瓶颈，最近有不少轻量级的深度学习模型提出，以下是对一些经典轻量级深度学习模型的总结：1、Squeezenet:Alexnet-levelaccuracywith50xfewerparametersand

本文就近年提出的四个轻量化模型进行学习和对比，四个模型分别是：SqueezeNet、MobileNet、ShuffleNet、Xception。

Caffe2模型加载与测试ModelZoo这里以squeezenet模型为例，对图片中的object分类.下载训练好的模型：python-mcaffe2.python.models.download-isqueezenet

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“designstrategiesforCNNarchitectureswithfewparameters

TheSqueezeNetarchitectureSmallerCNNsofferatleastthreeadvantages:lesscomputation,lessbandwidthandmorefeasibletodeployonFPGAs.SqueezeNetachievesAlexNet-levelaccuracyonImageNetwith50xfewerparameters.Addi

概要：SqueezeNet的工作为以下几个方面：提出了新的网络架构FireModule，通过减少参数来进行模型压缩使用其他方法对提出的SqeezeNet模型进行进一步压缩对参数空间进行了探索，主要研究了压缩比和

前言自从AlexNet一举夺得ILSVRC2012ImageNet图像分类竞赛的冠军后，卷积神经网络（CNN）的热潮便席卷了整个计算机视觉领域。CNN模型火速替代了传统人工设计（hand-crafted）特征和分类器，不仅提供了一种端到端的处理方法，还大幅度地刷新了各个图像竞赛任务的精度，更甚者超越了人眼的精度（LFW人脸识别任务）。CNN模型在不断逼近计算机视觉任务的精度极限的同时，其深度和尺寸

关于SqueezeNet为何能够在达到AlexNet精度的基础之上还能够使模型的参数减小巨多的分析详情，参见SqueezeNet这篇文章，本文章的目的是在实际应用中如何引入SqueezeNet。

方面的知识，并尝试着用Google近些年刚提出的TensorFlow框架来搭建各种经典的神经网络，如MLP、LeNet-5、AlexNet、VGG、GoogleNet、ResNet、DenseNet、SqueezeNet

本文主要总结近年来CNN的模型压缩方案第一个代表性的工作是在2016年SqueezeNet，这篇文章中，作者总结模型设计三个原则–(1)使用1*1网络代替3*3网络•替换3x3的卷积kernel为1x1

SqueezeNet是在论文IandolaFN,HanS,MoskewiczMW,etal.SqueezeNet:AlexNet-levelaccuracywith50xfewerparametersand

个人的计划是分成配置和运行官方教程，利用自己的数据集进行训练和利用caffe来实现别人论文中的模型(目前在尝试的是轻量级的SqueezeNet)三步走。不求深度，但求详细。

本文讲一下最新由UCBerkeley和Stanford研究人员一起完成的SqueezeNet[1]网络结构和设计思想。

目录目录一SqueezeNet介绍MOTIVATIONFIREMODULEARCHITECTUREEVALUATION二SqueezeNet与FasterRCNN结合三SqueezeNetFasterRCNNOHEM

squeezenet出自2016论文SQUEEZENET:ALEXNET-LEVELACCURACYWITH50XFEWERPARAMETERSANDPrediction;classClassifier

SqueezeNetpaper:https://arxiv.org/abs/1602.07360code:https://github.com/DeepScale/SqueezeNet以下这些博文整理的以及相当全面

SqueezeNet:Alexnet-levelaccuracywhith50xFewerParametersAnd<0.5MBModelSize本篇博文主要是对之前看过的深度模型压缩论文的整理。

1.相同准确率下，参数更少的模型有三个好处：1）高效的分布式训练2）替换模型更容易3）FPGA部署遍更便利2.本文三个策略：1）用1*1的核来替换3*3的核，可以减少9倍参数2）减少输入到3*3核的输入channel数量，因为参数由N*C*W*H决定3）延后下采样，使得卷基层有较大的activtionmaps。关于这一点文章提到K.He有篇文章说较大的特征图会带来较高的准确率。有时间了要拜读一下3