模型压缩方法

低秩近似
神经网络的基本运算卷积，实则就是矩阵运算，低秩近似的技术是通过一系列小规模矩阵将权重矩阵重构出来，以此降低运算量和存储开销。目前有两种常用的方法：一是Toeplitz矩阵（指矩阵中每条自左上至右下的斜线上的元素相同）直接重构权重矩阵，二是奇异值分解（SVD），将权重矩阵分解为若干个小矩阵。
剪枝与稀疏约束
剪枝是模型压缩领域中一种经典的后处理技术，典型应用如决策树的前剪枝和后剪枝。剪枝技术可以减少模型参数量，防止过拟合，提升模型泛化能力。
剪枝被应用于神经网络中，遵循四个步骤：
一是衡量神经元的重要程度
二是移除掉一部分不重要的神经元
三是对网络进行微调
四是返回第一步，进行下一轮剪枝
稀疏约束与直接剪枝在效果上有着异曲同工之妙，其思路是在网络的优化目标中加入权重的稀疏正则项，使得训练网络的部分权重趋向于0，而这些0值元素正是剪枝的对象。因此，稀疏约束可以被视为动态的剪枝。
相对剪枝，稀疏约束的优点：只需进行一遍训练，便能达到网络剪枝的目的。
参数量化
相比于剪枝操作，参数量化则是一种常用的后端压缩技术。量化就是从权重中归纳出若干个有代表性的权重，由这些代表来表示某一类权重的具体数值。这些“代表”被存储在码本中，而原权重矩阵只需记录各自“代表”的索引即可，从而极大地降低了存储开销
二值网络
相当于量化方法的一种极端情况：所有参数的取值只能是+1或-1.现有神经网络大多基于梯度下降来训练，但二值网络的权重只有+1或-1，无法直接计算梯度信息，也无法更新权重。一个折中的方法是，网络的前向与反向回传是二值的，而权重的更新则是对单精度权重进行
知识蒸馏
知识蒸馏的目的是将一个高精度且笨重的teacher转换为一个更加紧凑的student。具体思路是：训练teacher模型softmax层的超参数获得一个合适的soft target集合（“软标签”指的是大网络在每一层卷积后输出的feature map）,然后对要需要训练的student模型，使得同样的超参数值尽可能地接近teacher模型的soft target集合，作为student模型总目标函数的一部分，以诱导student模型的训练，实现知识的迁移。

squeezeNet的Fire Module有什么特点？

挤压：高维特征有着更好的表示能力，但使得模型参数急剧膨胀。为追求模型容量与参数的平衡，可使用1x1的卷积来对输入特征进行降维。同时，1x1的卷积可以综合多个通道的信息，得到更加紧凑的输入特征，从而保证了模型的繁华性。
扩张：通常3x3的卷积占用了大量的计算资源。可以使用1x1卷积来拼凑出3x3的卷积。