SqueezeNet/SqueezeNext简述 | 轻量级网络
SqueezeNet系列是比较早期且经典的轻量级网络，SqueezeNet使用Fire模块进行参数压缩，而SqueezeNext则在此基础上加入分离卷积进行改进。虽然SqueezeNet系列不如MobieNet使用广泛，但其架构思想和实验结论还是可以值得借鉴的。
来源：晓飞的算法工程笔记 公众号
SqueezeNet
论文: SqueezeNet: AlexNet-level accuracy with 50x fewer parameters and <0.5MB model size
Introduction
在深度学习崭露头角时候，很多研究都关注如何提高网络的准确率，而SqueezeNet则是早期开始关注轻量化网络的研究之一。论文的初衷是通过优化网络的结构，在与当前流行网络的准确率相差不大的情况下，大幅减少模型的参数。
SqueezeNet: Preserving Accuracy with Few Parameters
-
Architectural Design Strategies
论文的轻量级网络设计主要包含以下策略：
- 替换\(3\times 3\)卷积为\(1\times 1\)卷积，由于\(1\times 1\)卷积比\(3\times 3\)卷积有9倍的参数减少。
- 减少\(3\times 3\)卷积的输入维度，\(3\times 3\)卷积的总参数量为(number of input channels)(number of filters)(3*3)，使用squeeze layers降低输入维度，能够降低整体的计算量。
- 下采样操作尽量安排在网络较后的阶段，这样卷积层能够有较大的特征图，保存更多的信息，从而提高准确率。
策略1和策略2主要为了减少网络的参数但保持准确率，策略3则是为了在有限的参数下最大化准确率。
-
The Fire Module
SqueezeNet的核心模块为Fire模块，结构如图1所示，输入层先通过squeeze卷积层(\(1\times 1\)卷积)进行维度压缩，然后通过expand卷积层(\(1\times 1\)卷积和\(3\times 3\)卷积混合)进行维度扩展。Fire模块包含3个参数，分别为squeeze层的\(1\times 1\)卷积核数\(s_{1x1}\)、expand层的\(1\times 1\)卷积核数\(e_{1x1}\)和expand层的\(3\times 3\)卷积核数\(e_{3x3}\)，一般\(s_{1x1}<(e_{1x1}+e_{3x3})\)
-
The SqueezeNet Architecture
SqueezeNet的结构如表1所示，在conv1、fire4、fire8和conv10后添加池化层进行池化操作，网络中逐步提高输出维度。每个squeeze层和expand层的输出都通过ReLU激活，而fire9模块后面会接50%的Dropout。
Evaluation of SqueezeNet
与AlexNet相比，相同准确率下，SqueezeNet仅需要1/50的参数量，量化后，最多可以缩小到1/510的参数量。
CNN Microarchitecture Design Space Exploration
论文对Fire模块的设定进行了探索实验，主要对比squeeze层的压缩比例以及expand层中的\(3\times 3\)卷积占比。
CNN Macroarchitecture Design Space Exploration
论文对网络的微架构进行了探索实验，主要是研究短路连接对网络的影响，对比的网络结构如图2所示。
Conclusion
SqueezeNet作为早期的轻量级网络研究工作，虽然准确率对比的是AlexNet，但其网络压缩比是相当可观的，Fire模块的设计也十分新颖。
SqueezeNext
论文: SqueezeNext: Hardware-Aware Neural Network Design
Introduction
SqueezeNext是SqueezeNet实战版升级，直接和MobileNet对比性能。SqueezeNext全部使用标准卷积，分析实际推理速度，优化的手段集中在网络整体结构的优化。
SqueezeNext Design
SqueezeNext的设计沿用残差结构，没有使用当时流行的深度卷积，而是直接使用了分离卷积，设计主要基于以下策略：
-
Low Rank Filters
低秩分解的核心思想就是将大矩阵分解成多个小矩阵，这里使用CP分解(Canonical Polyadic Decomposition)，将\(K\times K\)卷积分解成\(K\times 1\)和\(1\times K\)的分离卷积，参数量能从\(K^2\)降为\(2K\)。 -
Bottleneck Module
参数量与输入输出维度有关，虽然可以使用深度卷积来减少计算量，但是深度卷积在终端系统的计算并不高效。因此采用SqueezeNet的squeeze层进行输入维度的压缩，每个block的开头使用连续两个squeeze层，每层降低1/2维度。 -
Fully Connected Layers
在AlexNet中，全连接层的参数占总模型的96%，SqueezeNext使用bottleneck层来降低全连接层的输入维度，从而降低网络参数量。
基础的1.0-SqNxt-23结构如图3所示，中间的block均为SqueezeNext block，第一个block为正常的卷积，最后两个block分别为bottleneck模块以及全连接层。
Result
论文对比了不同网络以及不同版本的SqueezeNext，包括不同的网络长度，以及加入不同的结构。表中的1.0代表基础的层维度设置，G代表卷积的group size设置为2，后面的数字为总层数，IDA代表使用Iterative Deep Aggregation，融合多层进行输出。
另外论文也对比了更宽的网络的性能，对维度进行了倍数放大。
v5的结构如图9，在模拟硬件性能实验结果中发现，维度越低，计算性能也越低效，于是将更多的层操作集中在维度较高的block。
Conclusion
SqueezeNext在SqueezeNet的压缩思想上，结合分离卷积进行参数压缩改进，文中的模拟硬件推理性能的实验做的很精彩，可以看到作者如何一步一步地改进网络的整体结构，有兴趣的可以去看看原文。
CONCLUSION
SqueezeNet系列是比较早期且经典的轻量级网络，SqueezeNet使用Fire模块进行参数压缩，而SqueezeNext则在此基础上加入分离卷积进行改进。虽然SqueezeNet系列不如MobieNet使用广泛，但其架构思想和实验结论还是可以值得借鉴的。
如果本文对你有帮助，麻烦点个赞或在看呗～
更多内容请关注 微信公众号【晓飞的算法工程笔记】
