1、SqueezeNet创新点
提出Fire Module网络架构来压缩模型，包括一下3点：
(1)1*1卷积核代替3*3卷积核，参数可减小到原来1/9
(2)S1*1 < E1*1 + E3*3，Fire Module网络的开始采用1*1卷积核降维，减少输入通道数
(3)为了给卷积层提供更多的信息，池化层放在相对靠后的地方，这样可以提高准确率
2、SqueezeNet伪代码
(1)：获取需要识别图像ROI区域
(2)：图像ROI区域缩放成256*256
(3)：将256*256裁剪成227*227
(4)：将227*227的bgr图像拆分成bgr三通道，同时减去bgr均值进行归一化
(5)：SqueezeNet
(6)Softmax取最大值作为预测类别
3、SqueezeNet代码实现注意点
(1)Fire Module的Expand层把1*1卷积核和3*3卷积核升维后的feature map进行concat，为了保证1*1卷积核和3*3卷积核输出结果有相同的尺寸，3*3卷积时需要将输入图像加一个像素边界
4、SqueezeNet疑惑（有懂的大牛留言区解释下，谢谢~）
(1)输入模型的图像先缩放再裁剪，为什么不一步到位缩放成227*227？
(2)图像输入模型前bgr三通道像素分别减去mean进行归一化，mean值的由来？
(3)原论文fire4和fire8后采用maxpooling，实践代码是fire3和fire5后maxpooling，进一步提升模型的运算性能，准确率会稍微降低
(4)
Softmax函数这样做的好处和196的由来？