【碼上一課】該專欄於每日不定時更新，更新內容主要為人工智能與深度學習領域的論文開源源代碼，歡迎大家關注訂閱小編，讓知識分享於你我他之間！
今天為大家分享三個經典的輕量級的網絡結構：
SqueezeNet:
SqueezeNet: AlexNet-level accuracy with 50x fewer parameters and< 0.5 MB model size.
同等精度比AlexNet小50倍，<0.5M的模型大小。SqueezeNet的核心設計理念是模型可以不快但一定要小，分析三個設計策略：
1.用CONV1x1代替CONV3x3，大量CONV3x3被替換，大幅減少參數和計算量；
2.用squeeze層減少輸入到CONV3x3的通道數，繼續減少剩餘CONV3x3層的參數數量和計算量；
3.延遲下采樣，保持激活的分辨率較大，同等參數數量效果更好，但這樣會嚴重增加計算量；
論文下載：https://arxiv.org/pdf/1602.07360.pdf
代碼鏈接 ：https://github.com/DeepScale/SqueezeNet
MobileNet:
Mobilenets: Efficient convolutional neural networks for mobile vision applications.
MobileNet是第一個面向移動端的小網絡，設計兼顧模型小和速度快，由Google於2017年發佈的網絡架構，旨在充分利用移動設備和嵌入式應用的有限的資源，有效地最大化模型的準確性，以滿足有限資源下的各種應用案例。Mobilenet也可以像其他流行模型（如VGG，ResNet）一樣用於分類、檢測、嵌入和分割等任務提取圖像卷積特徵。Mobilenet v1核心是把卷積拆分為Depthwise+Pointwise兩部分。
論文下載：https://arxiv.org/pdf/1704.04861.pdf
代碼鏈接：https://github.com/Zehaos/MobileNet
ShuffleNet:
Zhang X, Zhou X, Lin M, et al. ShuffleNet: An Extremely Efficient Convolutional Neural Network for Mobile Devices[C]// CVPR, 2018.
ShuffleNet是Face++提出的一種輕量化網絡結構，主要思路是使用Group convolution和Channel shuffle改進ResNet，可以看作是ResNet的壓縮版本。
ShuffleNet第一步就是把block中的CONV1x1變成了分組卷積GCONV1x1降低計算量和參數數量.
論文下載：https://arxiv.org/pdf/1707.01083.pdf
代碼鏈接：https://github.com/farmingyard/ShuffleNet
閱讀更多 深度學習思考者 的文章
