SqueezeNet：以50倍更少的参数和小于0.5MB的模型大小达到AlexNet级别的准确率
计算机视觉与模式识别
2016-11-08 v4 人工智能
摘要
近期关于深度神经网络的研究主要集中于提高准确率。对于给定的准确率水平，通常可以识别出多种达到该准确率水平的DNN架构。在准确率相当的情况下，更小的DNN架构至少具有三个优势：(1) 更小的DNN在分布式训练期间需要更少的服务器间通信。(2) 更小的DNN需要更少的带宽将新模型从云端导出到自动驾驶汽车。(3) 更小的DNN更易于部署在FPGA和其他内存受限的硬件上。为了提供所有这些优势，我们提出了一种称为SqueezeNet的小型DNN架构。SqueezeNet在ImageNet上以50倍更少的参数达到了AlexNet级别的准确率。此外，借助模型压缩技术，我们能够将SqueezeNet压缩到小于0.5MB（比AlexNet小510倍）。SqueezeNet架构可在此处下载：https://github.com/DeepScale/SqueezeNet
引用
@article{arxiv.1602.07360,
title = {SqueezeNet: AlexNet-level accuracy with 50x fewer parameters and <0.5MB model size},
author = {Forrest N. Iandola and Song Han and Matthew W. Moskewicz and Khalid Ashraf and William J. Dally and Kurt Keutzer},
journal= {arXiv preprint arXiv:1602.07360},
year = {2016}
}
备注
In ICLR Format