2024年Go最全白话详细解读(一)-----GoogLeNet（Inception V1-Inception V3），程序员翻身之路

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，可以添加戳这里获取

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！

• 1*1卷积核，在获得相同感受野（reception feild）、保持feature map尺度不变的情况下，使用1*1卷积核的网络更深，而每一层网络后都会用Relu函数增加非线性，这样就增加了一层非线性特性。

2.3 Inception V1

在3*3卷积和5*5卷积之前，使用1*1卷积主要是为了减少参数量，从而减少计算。至于为什么减少了，上一小节已经描述了，在此不再赘述了。

2.4 GoogLeNet结构

• 1.网络的最后采用全局平均池化代替全连接层，该想法来自NIN。但是，实际在最后还是加了一个全连接层，主要是为了方便对输出进行灵活调整。网络中虽然用全局平均池化替代了全连接层，但是网络模型还是用到了dropout，来减少过拟合现象。

• 2.为了避免梯度消失，网络额外增加了2个辅助的softmax用于向前传导梯度（辅助分类器）。辅助分类器是将中间某一层的输出用作分类，并按一个较小的权重（0.3）加到最终分类结果中，这样相当于做了模型融合，同时给网络增加了反向传播的梯度信号，也提供了额外的正则化，对于整个网络的训练很有裨益。而在推理过程时，这两个额外的softmax会被去掉。（摘自https://my.oschina.net/u/