SqueezeNet是一种小型但高度准确的算法，它在高精度和低复杂度之间取得平衡，使其成为移动和嵌入式系统等资源有限的设备的理想选择。
2016年，来自DeepScale、加州大学伯克利分校和斯坦福大学的研究人员提出了这种紧凑高效的卷积神经网络(CNN)。近年来，研究人员还对SqueezeNet进行了许多改进和改进，包括SqueezeNet v1.1和SqueezeNet v2.0，这2个版本的改进提高了准确性，同时也降低了计算成本。SqueezeNet v1.1在ImageNet数据集上的精度提高了1.4%，而SqueezeNet v2.0的精度提高了1.8%，参数数量减少了2.4倍。
SqueezeNet使用fire模块，这是一种特定类型的卷积层，它结合了1x1和3x3过滤器以减少参数数量，同时保持高精度并使其成为资源受限设备的理想选择。它可以在使用其他CNN所需的一小部分计算资源的同时实现高精度。
SqueezeNet的主要优势之一是它能够在准确性和计算资源之间取得平衡。它能够在计算资源有限的边缘设备上运行，例如手机和物联网设备。这是因为该网络的参数比AlexNet(深度学习模型)少50倍，运行所需的FLOPS(每秒浮点运算)少10倍，因此效率显着提高。
SqueezeNet使用一种称为通道挤压的方法，这是该技术的主要创新之一。这有助于通过减少模型卷积层中的通道数量来降低网络的计算成本，而不会影响准确性。除了fire modules和deep compression等其他方法外，SqueezeNet还使用通道压缩来提高效率。
SqueezeNet和传统的CNN不同，不需要部署大量的计算能力，它可以使用其他机器学习管道中的特征提取器，这允许其他模型从SqueezeNet学到的特征中受益，从而提高甚至在移动设备上的性能。
SqueezeNet因架构创新、且证明可以提高性能而受到认可，现已被其他CNN架构广泛采用。
