Keras深度学习实战——基于Inception v3实现性别分类
0. 前言
我们已经学习了基于 VGG16
和 VGG19
体系结构实现性别分类,除此之外,还有许多其它设计更加巧妙的深度神经网络架构,例如 Inception
在保证模型质量的前提下,极大的减少模型参数个数。在本节中,我们将对 Inception
模型的核心思想进行介绍,然后使用基于预训练的 Inception
体系结构实现性别分类。
1. Inception 结构
为了更好理解 Inception
模型的核心思想,我们首先考虑以下场景:在数据集中,有一些图像中的对象占据了图像的大部分,但在另一些图像中对象可能仅仅占整个图像的一小部分。如果在两种情况下我们都使用相同大小的卷积核,则将使模型难以同时学习到识别图像中较小的对象和图像中较大的对象。
为了解决这个问题,我们可以在同一层中使用的多种不同尺寸的卷积核。在这种情况下,网络本质上是变宽了,而不是变深了,如下所示:
在上图中,我们在给定层中使用多种不同尺寸的卷积核进行卷积,Inception v1
模块具有九个线性堆叠的 Inception
模块,如下所示ÿ