CNN模型压缩方案

本文主要总结近年来CNN的模型压缩方案

第一个代表性的工作是在2016年SqueezeNet，这篇文章中，作者总结模型设计三个原则

–(1)使用1*1网络代替3*3网络

•替换3x3的卷积kernel为1x1的卷积kernel可以让参数缩小9X为了不影响识别精度，并不是全部替换，而是一部分用3x3，一部分用1x1

•如何用1x1和3x3组合替换3x3？ Fire modules

–(2)减少3*3滤波器的输入通道数 

•一层卷积层参数量

#inputChannel * #outputChannel * #filters * (3*3)

–(3)降采样层移到网络的后端
                           延迟降采样有助于保留信息，提升性能





FireModule是本文的核心构件，思想非常简单，就是将原来简单的一层conv层变成两层：squeeze层+expand层，各自带上Relu激活层。在squeeze层里面全是1x1的卷积kernel，数量记为S1x1；在expand层里面有1x1和3x3的卷积kernel，数量分别记为E1x1和E3x3，要求S1x1< input map number即满足上面的设计原则（2）。expand层之后将1x1和3x3的卷积outputfeature
maps在channel维度拼接起来。

三个超参数：s(1x1):squeeze层的1*1滤波器个数；e(1x1):expand层的1*1滤波器个数；e(3x3):expand层的3*3滤波器个数；

第二个代表性的工作是2017年的MobileNet，提出Depth-wise separate convolution的结构(下图b和c)，以此代替传统的convolution(下图a),如下图所示。

图b其实是group-wise convolution的一种特例，M个输入通道就有M个group，每个group只有一个channel或者说一张图。

然后再采用1x1卷积将M个group合并。

参数量变换(a-->bc)：M*N*Dk*Dk --> M*1*1*Dk*Dk + M*N*1*1



最后，贴上face++总结的CNN结构演化路径