目录
1，瓶颈结构
1）什么是瓶颈结构
? ? ? 瓶颈结构就是两头宽，中间窄的网络结构，先降维然后升为维；瓶颈结构不仅增加了网络的深度同时还有效的减少了网络的参数；
?比较经典的应用：ResNet?
左边的计算如下：
w*h*256*3*3*256 =589824*w*h
右边的计算如下：
w*h*256*1*1*64 + w*h*64*3*3*64 +w*h*64*1*1*256 = 69632*w*h
结果相差大概8.5倍。?
在移动端部署，模型的大小很受限，这个技术可以不损害模型的精度降低模型的参数；
2）将瓶颈结构替换到其他网络结构中的性能
在有三的书中，将基准模型的Allconv6_baseline（5个卷积层和1个全连接层）中的五个卷积层从第二个卷积层开始全部替换成瓶颈模型。
| Allconv6_baseline卷积层 | conv1 | conv2 | conv3 | conv4 | conv5 |
| 通道数 | 16 | 32 | 64 | 128 | 256 |
| 瓶颈模型替换层 | 替换 | 替换 | 替换 | 替换 |
具体的替换方法，可以参考有三的《深度学习之模型设计》第五章的内容，最终通过替换后的实验证明，将卷积层替换为瓶颈层后，性能比Allconv6_baseline略有提升，但是关键的是模型的参数量减少的是非常多的。这样说明针对普通的卷积网络结构来说，采用瓶颈结构设计的网络结构表现更加优秀。
2，SqueezeNet 网络结构
SqueezeNet主要采用的是fire module模块组成。
1）Fire Module结构
Fire Module是由一个Squeeze（全部由1*1卷积组成）和Expand（由1*1卷积和3*3卷积组成）模块组成，且Squeeze的通道数小于Expand通道数，从而实现参数的压缩；
参数分析：
输入M个通道,输出N个通道。直接使用3*3的卷积，参数为M*N*3*3；
如果使用上图的结构参数为：M*1*1*3+3*N/2*1*1+3*N/2*3*3;
比例关系K=(3M+15N)/9MN=1/(3N)+5/(3M),所以当M和N很大的时候，可以实现很大的压缩比
该模块的可调参数为：S1，e1,e3
总结
1）Fire module由两层构成，分别是squeeze层和expand层，如上面的图所示，squeeze层是由s1个1x1卷积核组成的，expand层由e1个1x1的卷积核和e3个3x3的卷积核组成的，得到的feature map进行concat。对应策略1
2）一般令s1 < e1 + e3, 这样可以限制输入到3x3卷积核的channels。对于策略2
?
2）SqueezeNet 网络结构
SqueezeNet是一种轻量化网络结构
1.相同准确率下，更少参数量的模型有几点好处：
1）更加高效的分布式训练
2）向客户端提供新模型的开销更小
3）FPGA和嵌入式设备部署更便利
2.网络结构的设计策略
1）使用1x1的卷积核代替3x3的卷积核，可以减少9倍参数
2）减少输入3x3卷积的特征图的数量，因为参数由NCHW决定。
3）延后下采样，使得卷积层有较大的activtion maps。较大的特征图会带来较高的准确率。
其它细节：
在3x3的输入特征图上加了1像素的zero-padding，使其与1x1的输出大小一致
squeeze和expand层后跟ReLU激活函数
fire9后加0.5的Dropout
没有FC层（可以较少大量参数）
?SqueezeNet小结：
1）Fire module与GoogLeNet思想类似，采用1x1卷积对feature map的维数进行[压缩],从而达到减少权值参数的目的；
2）采用与VGG类似的思想–堆叠的使用卷积，这里堆叠使用的是Fire module。