Googlenet inception v1 结构详解

图像分类系列：

0、BP前反馈神经网络原理详解

1、Lenet详解

2、Alexnet详解

3、VGG网络结构

4、NIN网络结构

5、Googlenet inception v1 结构详解、inception v2 和 inception v3

参考 

https://www.cnblogs.com/Allen-rg/p/5833919.html

https://my.oschina.net/u/876354/blog/1637819（建议先看下这篇文章，来龙去脉都讲的很清楚）

在设计深度网络时，如果一味的依靠增加网络尺寸（宽度、深度）来提升网络性能，会带来许多问题，比如参数增多、计算量增大、梯度消失等问题。为了解决深度网络带来的这些问题，研究者提出了inception结构来增加维度降低参数和计算量、以及在网络中间层增加辅助分类器的方法解决梯度消失的问题。

 

一、网络结构

二、技术点

1、inception 模块

先用1x1卷积核对原尺寸将维度，然后再用不同尺寸的卷积核（多尺度卷积）对featuremap卷积

1x1卷积核：得到想要的featuremap维度（降维），减少参数量，增加非线性。如果直接用不同尺寸卷积核卷积，会大大增加计算量

多尺度卷积：提取得到不同尺度上的信息，使用不同尺寸的卷积核提取不同尺度上的信息，最后将不同尺度上的信息聚合。

2、辅助分类器

用于网络训练阶段，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，同时增加了误差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。而在实际测试的时候，这两个额外的softmax会被去掉。