先自我介绍一下,小编浙江大学毕业,去过华为、字节跳动等大厂,目前阿里P7
深知大多数程序员,想要提升技能,往往是自己摸索成长,但自己不成体系的自学效果低效又漫长,而且极易碰到天花板技术停滞不前!
因此收集整理了一份《2024年最新Golang全套学习资料》,初衷也很简单,就是希望能够帮助到想自学提升又不知道该从何学起的朋友。
既有适合小白学习的零基础资料,也有适合3年以上经验的小伙伴深入学习提升的进阶课程,涵盖了95%以上Go语言开发知识点,真正体系化!
由于文件比较多,这里只是将部分目录截图出来,全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频,并且后续会持续更新
如果你需要这些资料,可以添加V获取:vip1024b (备注go)
正文
对上图做以下说明:
1 . 采用不同大小的卷积核意味着不同大小的感受野,最后拼接意味着不同尺度特征的融合;
2 . 之所以卷积核大小采用1、3和5,主要是为了方便对齐。设定卷积步长stride=1之后,只要分别设定pad=0、1、2,那么卷积之后便可以得到相同维度的特征,然后这些特征就可以直接拼接在一起了;
3 . 文章说很多地方都表明pooling挺有效,所以Inception里面也嵌入了。
4 . 网络越到后面,特征越抽象,而且每个特征所涉及的感受野也更大了,因此随着层数的增加,3x3和5x5卷积的比例也要增加。
但是,使用5x5的卷积核仍然会带来巨大的计算量。 为此,文章借鉴NIN2,采用1x1卷积核来进行降维。
例如:上一层的输出为100x100x128,经过具有256个输出的5x5卷积层之后(stride=1,pad=2),输出数据为100x100x256。其中,卷积层的参数为128x5x5x256。假如上一层输出先经过具有32个输出的1x1卷积层,再经过具有256个输出的5x5卷积层,那么最终的输出数据仍为为100x100x256,但卷积参数量已经减少为128x1x1x32 + 32x5x5x256,大约减少了4倍。
具体改进后的Inception Module如下图:
GoogLeNet中Inception_v1网络参数配置
|
网络层
|
输入尺寸
|
核尺寸
|
输出尺寸
|
参数个数
|
| — | — | — | — | — |
|
卷积层 C_ 11
|
H× W ×C_1
|
1 ×1 × C_2 /2
|
frac H 2 × frac W 2 × C_2
|
(1 ×1 × C_1 +1) × C_2
|
|
卷积层 C_ 21
|
H × W × C_2
|
1 ×1 × C_2 /2
|
frac H 2 × frac W 2 × C_2
|
(1 ×1 × C_2 +1) × C_2
|
|
卷积层 C_ 22
|
H × W × C_2
|
3 ×3 × C_2 /1
|
H × W × C_2 /1
|
(3 ×3 × C_2 +1) × C_2
|
|
卷积层 C_ 31
|
H × W × C_1
|
1 ×1 × C_2 /2
|
frac H 2 × frac W 2 × C_2
|
(1 ×1 × C_1 +1) × C_2
|
|
卷积层 C_ 32
|
H × W × C_2
|
5 ×5 × C_2 /1
|
H × W × C_2 /1
|
(5 ×5 × C_2 +1) × C_2
|
|
下采样层 S_ 41
|
H × W × C_1
|
3 ×3/2
|
frac H 2 × frac W 2 × C_2
|
0
|
|
卷积层 C_ 42
|
网上学习资料一大堆,但如果学到的知识不成体系,遇到问题时只是浅尝辄止,不再深入研究,那么很难做到真正的技术提升。
需要这份系统化的资料的朋友,可以添加V获取:vip1024b (备注Go)
一个人可以走的很快,但一群人才能走的更远!不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人,都欢迎加入我们的的圈子(技术交流、学习资源、职场吐槽、大厂内推、面试辅导),让我们一起学习成长!
frac H 2 × frac W 2 × C_2
|
0
|
|
卷积层 C_ 42
|
网上学习资料一大堆,但如果学到的知识不成体系,遇到问题时只是浅尝辄止,不再深入研究,那么很难做到真正的技术提升。
需要这份系统化的资料的朋友,可以添加V获取:vip1024b (备注Go)
[外链图片转存中…(img-MWktZpZI-1713440625723)]
一个人可以走的很快,但一群人才能走的更远!不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人,都欢迎加入我们的的圈子(技术交流、学习资源、职场吐槽、大厂内推、面试辅导),让我们一起学习成长!