# SqueezeNet 1.0 --- ## SqueezeNet：パラメータ数を50分の1に抑え、モデルサイズを0.5MB未満にしてAlexNet並みの精度を達成
最近の深層ニューラルネットワークに関する研究は、主に精度の向上に焦点を当てています。特定の精度レベルに対して、通常、その精度レベルを達成する複数のDNNアーキテクチャを特定することが可能です。同等の精度であれば、小規模なDNNアーキテクチャには少なくとも3つの利点があります。(1) 小規模なDNNは、分散学習中にサーバ間で必要な通信量が少なくなります。(2) 小規模なDNNは、クラウドから自動車に新しいモデルをエクスポートする際に必要な帯域幅が少なくなります。(3) 小規模なDNNは、FPGAやメモリが制限された他のハードウェアにデプロイするのがより現実的です。これらすべての利点を提供するために、我々はSqueezeNetと呼ばれる小規模なDNNアーキテクチャを提案します。SqueezeNetは、ImageNetでAlexNet並みの精度を達成しながら、パラメータ数を50分の1に抑えています。さらに、モデル圧縮技術を用いることで、SqueezeNetを0.5MB未満（AlexNetの510分の1）に圧縮することができます。
**著者：Forrest N. Iandola、Song Han、Matthew W. Moskewicz、Khalid Ashraf、William J. Dally、Kurt Keutzer**
**https://arxiv.org/abs/1602.07360** --- #SqueezeNetアーキテクチャ
![SqueezeNetアーキテクチャ][1] --- 事前学習済みモデルとは何ですか？ 事前学習済みモデルは、以前にデータセットで学習されたモデルであり、学習に使用されたデータセットの特徴を表す重みとバイアスを含んでいます。学習された特徴は、多くの場合、異なるデータに転用することができます。たとえば、大量の鳥の画像データセットで学習されたモデルには、エッジや水平線などの学習された特徴が含まれており、これらの特徴はあなたのデータセットに転用することができます。 事前学習済みモデルを使用する理由は何ですか？ 事前学習済みモデルは、多くの理由から我々にとって有益です。事前学習済みモデルを使用することで、時間を節約することができます。他の人がすでに多くの特徴を学習するために時間と計算資源を費やしており、あなたのモデルもおそらくその恩恵を受けるでしょう。 [1]: https://imgur.com/WV7Ru4Q.jpg