**論文地址：**https://arxiv.org/abs/1707.06990
**pytorch實現：**https://github.com/gpleiss/efficient_densenet_pytorch
**tensorflow實現：**https://github.com/joeyearsley/efficient_densenet_tensorflow

屬於實現方式的改進，不是對網路的改進

對intermediate feature採用共享儲存空間的方式來減低模型視訊記憶體，但是會增加訓練時間，因為需要重新計算一些層的輸出。

之前的卷積網路在Concat和BN操作時都會申請新的記憶體空間，而現在通過提前分配的shared memory storage和指標將這些intermediate feature（concate和BN操作生成的特徵）儲存在temporary storage buffers中，大大減少儲存量。

在GPU視訊記憶體限制的情況下，可以訓練更深的網路，因而效果可更好。

tensorflow實現：
超引數：
–batch_size（int） - 每批影象數（預設為3750）
–fp16（bool） - 是否與FP16一起執行（預設為False）
–efficient（bool） - 是否使用漸變檢查點執行（預設為False）
其中用到了Horovod，Horovod可為使用者實現分散式訓練提供幫助
pytorch實現：
超引數：
可以通過設定引數efficient=True來決定是否共享儲存空間。
–depth (int) - depth of the network (number of convolution layers) (default 40)
–growth_rate (int) - number of features added per DenseNet layer (default 12)
–n_epochs (int) - number of epochs for training (default 300)
–batch_size (int) - size of minibatch (default 256)
–seed (int) - manually set the random seed (default None)

還有以下實現方式：
LuaTorch (by Gao Huang)
MxNet (by Danlu Chen)
Caffe (by Tongcheng Li)
（都是論文作者誒）