深度学习-Inception和Xception网络结构详解-CSDN博客

本文链接：https://blog.csdn.net/INFINALGEORGE/article/details/106523246

本文介绍了Inception网络的核心思想，包括多尺寸卷积核、Pointwise Convolution、卷积核替换及Bottleneck结构。进一步讨论了Xception网络中的Depthwise Separable Convolution，该结构通过分离卷积显著减少了参数量，加速了训练过程。这些创新设计提高了神经网络的效率和性能。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

Inception 是神经网络结构的一大神作，其提出的「多尺寸卷积」和「多个小卷积核替代大卷积核」等概念是现如今许多优秀网络架构的基石。也正是如此，基于此的 Xception 横空出世，作者称其为 Extreme Inception，提出的 Depthwise Separable Conv 也是让人眼前一亮。

本文不详细讲解论文内容，只探讨提出的这几个基础概念和结构，并按照时间顺序来探讨。首先探讨的是 Inception 的多尺寸卷积核和卷积核替换，然后到 Bottleneck，最后到 Xception 的 Depthwise Separable Conv 。

多尺寸卷积核
Inception 最初提出的版本，其核心思想就是使用多尺寸卷积核去观察输入数据。

举个例子，我们看某个景象由于远近不同，同一个物体的大小也会有所不同，那么不同尺度的卷积核观察的特征就会有这样的效果。于是就有了如下的网络结构图：
在这里插入图片描述
Naive Inception V1
于是我们的网络就变胖了，增加了网络的宽度，同时也提高了对于不同尺度的适应程度。