SqueezeNet：https://arxiv.org/abs/1602.07360
SqueezeNext：https://arxiv.org/abs/1803.10615
SqueezeNet和SqueezeNext是同一类型的轻量级网络，后者是前者的升级版，两篇文章读下来，第一个感受就是借鉴了很多Inception家族的思想，包括增加网络宽度来更好地利用运算资源,运用矩阵相乘的原理将K*K的矩阵分解成K*1和1*K，从而在效果不改变的情况下大幅减少参数量。接下去由我来对两篇文章做一个简短的分析。
1.SqueezeNet
文章SqueezeNet在摘要部分给出了小型轻量级网络的优势：
（1）在分布式训练中，与服务器通信需求更小 ；
（2）参数更少，从云端下载模型的数据量小 ；
（3）更适合在FPGA等内存受限的设备上部署。
其实对轻量级网络的设计是现在的一个趋势，虽然像ResNet、Inception-Resnet-V2以及NasNet-large这类网络，在各类图像数据集上的表现很出色，但这些网络的不足是计算量大、参数众多、模型体积大，非常不适合运用到一些嵌入式设备中去，所以在当前硬件资源受限的情况下，小型轻量级网络更受人们的青睐。
言归正传，SqueezeNet主要提出了一个fire model模块（如下图1），这个模块有点Inception块的味道，fire model包含压缩层和扩张层两部分，压缩层是由1*1的逐点卷积组成，它的作用是减少输入通道数，因为作者认为每一层的参数量与特征图的长、宽、输入通道和输出通道有关，减少输入通道就可以减少每一层的参数量；扩张层主要由1*1卷积层和3*3卷积层组成，可以使模型在一个更大空间内进行特征提取。而SqueezeNet由这个fire model堆叠而成，只是fire model模块里面1*1和3*3卷积数量略有不同。
同时，为了方便深层模型在训练时不发生梯度消失，作者在原来模型的基础上加入了ResNet的跳跃连接（如下图2），当然这些属于SqueezeNet的变体，这篇文章的核心还是fire model，读过Inception系列的文章，这篇文章是很好懂的。
2.SqueezeNext
SqueezeNext的题目叫做具有硬件感知的网络设计，这是一篇既讲了软件方面知识（即网络结构）又讲了硬件方面知识的文章，不过今天我只讲前者，后者部分我没看，主要实际在自己设计网络时不太会用得上。
SqueezeNext中的block主要是对SqueezeNet的fire model进行改进，将原来fire model中的压缩层从1层增加到了2层，使得通道数降到原来的1/4，同时去掉了原来扩展层中的1*1卷积，只使用3*3卷积，并且作者结合InceptionV3的设计思想，将3*3卷积拆成3*1和1*3，理论上两者的效果是等价的，这里面用到的是矩阵相乘的思想，所以原来3*3卷积的参数量是3*3=9，拆分后就只有3+3=6，相对减少了1/3，从而达到降参的目的。详细的SqueezeNext block如下图3所示。
上图3中C表示输入通道，首先通过压缩层的第一层，通道数降为原来的1/2，再通过压缩层的第二层，通道数将为原来的1/4，然后就是通过分离后的3*3层，3*1这一层是有增加通道数的，1*3这层通道数不变，这两层的通道数为1/2C，最后是通过一个逐点卷积进行升维操作，将通道数升到C，目的是方便与跳跃连接过来的信息进行特征融合，图3没有画出跳跃连接。
图4就是SqueezeNext中的block完整结构。
相比ResNet的残差结构，SqueezeNext中的block在残差块部分做了轻量化处理，就是对fire model 进行了修改，同时通道数也没有设计的很多，主要还是为了降低参数量。
SqueezeNext的网络架构形式有很多，下图5是其中一种最原始的网络架构。
同一种颜色代表同一种类型，尺寸和输入输出通道都一样，绿色框是一个平均池化层，池化窗口尺寸为7*7。
下图6是图5的具体参数。
作者在硬件上的实验发现，前面层的block的计算效率低，因而减少前面层的block数量，增加后面层的block数量。所以就有了下图7的这一结构。
具体就不做介绍了，它跟图6内容差不多，知识block放的位置改变了一下而已。当然这篇文章通过这个实验也告诉我们，在网络设计的时候，前面层的通道少一点，后面层通道多一些是可以提升网络性能的。
