这是由UC Berkerley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。
1、设计原则：
- 尽量选择1*1卷积核来代替3*3卷积核，因为1*1的卷积核比3*3的卷积核参数少了9倍。
- 减少3*3卷积核的输入通道（input channels），因为卷积核参数为：（number of input channels）*（number of filters）*3*3
- 延迟下采样（downsample），前面的layers可以有更大的特征图，有利于提升模型的准确度。目前下采样一般采用strides>1的卷积或者pool layer。【下采样即缩小图像，目的是使图像符合现实区域的大小，生成对应图像的缩略图。】在AlexNet中，第一层的卷积是stride=4，直接下采样了4倍。在一般的CNN中，一般卷积层、池化层都会有下采样（stride>1），甚至在前面基层网络的下采样比例会比较大，这样会导致最后几层的神经元的激活映射区域减少。为了提高精度设计下采样延迟慢一点
【前两个策略是为了减少参数，而第三个策略是为了最大化精度】
2、SqueezeNet的网络结构
SqueezeNet网络基本但愿是采用了模块化的卷积，其称为Fire module。Fire模块主要包含两层卷积操作：一是采用了1x1卷积核的squeeze层；二是混合使用1x1和3x3卷积核的expand层。Fire模块的基本结构如下图。在squeeze层卷数记为，在expand层卷积数记为
和
，分别代表了1x1和3x3卷积核的数量。为了尽量减少3x3的输入通道，这里让
。
整个SqueezeNet网络就是由File module堆积起来的，SqueezeNet的整体结构如下图，左边是标准的SqueezeNet，其最开始是一个卷积层，后面是Fire module的堆积，值得注意的是其中穿插了stride=2的maxpool层，其主要作用的是下采样（downsample），并采用延迟的策略，尽量使前面层拥有较大的feature map。中间和右边的图分别是引入了不同“短路”机制的SqueezeNet，借鉴了resNet的结构：
3、具体的实现细节
- 在Fire模块中，expand层采用了混合卷积核1x1和3x3，stride=1，对于1x1，其输出的feature map与原始一样大， 3x3则padding=1，也会得到和原始一样大小的图。
- Fire模块中所有卷积层的激活函数采用ReLU
- Fire9层厚采用了dropout=0.5
- SqueezeNet没有全连接层，而是采用了全局的avgpool（global average pool），即pool size和输入的feature map大小一致。
- 训练采用线性递减的学习速率，初始学习速率为0.04
结果的对比：
除了上面的工作，作者还探索了网络的设计空间，包括微观结构和宏观结构，微观结构包括各个卷积层的维度等设置，宏观结构比如引入ResNet的短路连接机制。
参考：https://zhuanlan.zhihu.com/p/31558773