前言： 整体上翻译了squeezenet：AlexNet-level accuracy with 50X fewer paramenters and 0.5MB model size.这篇论文，便于英文基础不好的同行进行阅读，由于时间仓促，难免有很多错误，请在评论区指出错误并提出宝贵意见，我会及时修正。 论文地址：aqueezenet论文 SQUEEZENET: ALEXNET-级别精度50

文章目录 前言一、数据准备1.1 数据集介绍1.2 数据集文件结构 二、项目实战2.1 数据标签划分2.2 数据预处理2.3 构建模型2.4 开始训练2.5 结果可视化 三、数据集个体预测 前言 SqueezeNet是一种轻量且高效的CNN模型，它参数比AlexNet少50倍，但模型性能（accuracy）与AlexNet接近。顾名思义，Squeeze的中文意思是压缩和挤压的

一、介绍         在深度学习领域，对效率和性能的追求往往会带来创新的架构。SqueezeNet 是神经网络设计的一项突破，体现了这种追求。本文深入研究了 SqueezeNet 的复杂性，探讨其独特的架构、设计背后的基本原理、应用及其对深度学习领域的影响。 在创新经济中，效率是成功的货币。SqueezeNet 证明

论文链接 Caffe实现 Pytorch实现 Tensorflow实现 轻量化网络有至少以下三个优点：1、更小的网络在服务器上训练需要更少的计算量。2、更小的模型需要更少的带宽从云端下载到自动驾驶汽车上。3、更小的模型可以更灵活得部署在FPGAs和其他有限内存的硬件上。本文基于以上优点提出了SqueezeNet，保持模型性能不变的情况下，使得AlexNet模型减少了50倍的参数量。 一、网络设计

SqueezeNet 时隔一年我又开始复现神经网络的经典模型，这次主要复的是轻量级网络全家桶，轻量级神经网络旨在使用更小的参数量，无限的接近大模型的准确率，降低处理时间和运算量，这次要复现的是轻量级网络的非常经典的一个模型SqueezeNet，它由美国加州大学伯克利分校的研究团队开发，并于2016年发布。 文章链接: https://arxiv.org/pdf/1602.07360.pdf