# SqueezeNet 1.0 --- ## SqueezeNet：パラメータを50分の1に抑え、モデルサイズを0.5MB未満にしつつAlexNet並みの精度を達成
近年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。与えられた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、小さな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) 小さなDNNは分散トレーニング中にサーバ間で必要とする通信量が少なくなります。(2) 小さなDNNは、クラウドから自動運転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) 小さなDNNは、FPGAやメモリが限られた他のハードウェアにデプロイするのがより実現可能です。これらすべての利点を提供するために、私たちはSqueezeNetと呼ばれる小さなDNNアーキテクチャを提案します。SqueezeNetは、ImageNetでパラメータを50分の1に抑えつつ、AlexNet並みの精度を達成します。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、鳥の画像の大規模な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点で私たちに有益です。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。他の誰かがすでに多くの特徴を学習するために時間と計算リソースを費やしており、あなたのモデルはおそらくそれから恩恵を受けるでしょう。 [1]: https://imgur.com/WV7Ru4Q.jpg