0.  前言

- 大概记一下SqueezeNet读后的一些记录，老文章了，网上很多笔记

- 文章结构写的很清晰，主题也很明确

- 本篇文章就是简单粗暴的从design space入手，凭空创造了一个网络，设计网络的时候有几条准则和思路（下面记一下正文里的点）

 

1.  从几个角度讲了一下CNN的发展

 ① 微架构（MicroArchitecture）：

    就是由少量layer组成的小模块，调参的时候通常针对这样的模块调整，而不是针对更细粒度的layer调整。

    这种模块化的设计，在近年很多网络里面都有：什么double conv，inception block，dense block 等等

 ② 宏架构（MacroArchitecture）：

   提到了旁路连接（bypass connection），如resnet。这种是宏角度上去对网络进行的改进

 ③ 设计空间（Design Space）：

   文中提到了一个“shape of NN design space”

 

2.  网络设计策略

 ① Replace 3x3 filters with 1x1 filters

就是将（大部分的）3x3filters（conv层、pool层里的）换成1x1的尺寸，能够大幅降低计算量

 ② Decrease the number of input channels to 3x3 filters

降低了传给这些filters的输入的尺寸，①②两条都是降低计算量的

 ③ Downsample late in the network so that convolution layers have large activation
maps

这里的意思是，大部分网络都是开头的几层就开始降采样（stride>=2），这样从中间到末尾的网络层，那些隐层输出的尺寸都会很小。

这里有一句文章的核心观点：

Our intuition is that large activation maps (due to delayed downsampling) can lead to higher classification accuracy，这句话是说大的**图（一般卷积后面都要有**层）能够导致更高的分类精度（可能是保留的信息更多）

而**图的尺寸由（1）输入尺寸（2）降采样层的选择决定

 

所以在开头的几层开始降采样和文章的这个观点不符，所以策略的第三条就是把降采样拖延到很后面再做。

 

3.  Fire Module（微架构）

组成：

4.  SqueezeNet（宏架构）

一个独立的卷积层（conv1）、

八个Fire模块（fire2-9）、

一个卷积层（conv10）、

一个softmax层

具体每层参数配置如下：

5. 超参数说明

看了一下一个高阅读量的同论文的论文笔记博客，https://blog.csdn.net/csdnldp/article/details/78648543，这篇的5.1里记录了一些文章中做消融实验部分的超参数的说明。但是博客有一些超参数的解释是错的（我在他博文底下一不小心生气地指出了），在他的基础上我修正一下，写在这里：

：第一个Fire module中expand filter的个数

：“增加expand filter”的频率

：增加的个expand filter，每freq个Fire module之后增加个expand filter

：第i个Fire module中，expand filters的个数

：压缩比，即the squeeze ratio ，为squeeze layer中filter个数除以Fire module中filter总个数得到的一个比例

：在expand layer有1∗1和3∗3两种卷积，这里定义的参数是3∗3卷积个占卷积总个数的比例