Paper：
https://arxiv.org/abs/1608.06993（DenseNet）
https://arxiv.org/pdf/1707.06990.pdf（Memory-Efficient DenseNet）
Code：
https://github.com/liuzhuang13/DenseNet
https://github.com/gpleiss/efficient_densenet_pytorch
思路来源：
通过对ResNet有效性的研究，发现主要来源 "短连接"。于是论文将这个思想应用到极致。就是每一层的输入来自前面所有层的输出，利用concat在channel进行此前每一层的输出。考虑到concat需要保证特征图的size一致，因此作者提出Dense-block，在block内部采用密集链接。为防止concat过多的特征图，在block内的层与层之间又包含bottleneck layer；在block之间也采用bottleneck layer。
优点：
1，减轻了vanishing-gradient（梯度消失）------- shortcuts
2，加强了feature的传递 ，更有效地利用了feature --------- 密集连接和特征复用。所谓特征复用，每一层输出的特征图直接concat在之前特征图中，最终得到的特征图既包含第一层又包含最后一层的输出。
3， 一定程度上较少了参数数量 -------- 无论在block内的每一层输出(k)还是block之间的输出(4*k)的特征图的个数较ResNet(512、1024等)少很多。由参数量的计算公式，可得。
DenseNet需要高显存的原因：
和ResNet及其他CNN不同的是，DenseNet是密集连接，就是每一层的输入来自前面所有层的输出，因此在前向过程中需要保存之前的特征图。而ResNet及其他CNN只需要保留前一层的特征图即可。当然都需要保存权重参数。未解决此问题，由此产生下文。
知识点简述：
对于特征的极致利用可以提高模型的表现能力，用时由于生成大量的intermediate feature(中间特征)，因此存储这些intermediate feature会占用大量的显存。为了能够在GPU下跑更深的densenet网络，这篇文章通过对中间特征采用共享存储空间的方式降低了模型显存，使得在GPU显存限制下可以训练更深的densenet网络。当然这种共享部分存储也引入了额外的计算时间，因为在反向传播的时候需要重新计算一些层的输出，实际表现差不多增加了15%-20%的训练时间。
