m0_50903443的博客

ResNeXt：将VGG、ResNet和Inception中优秀的思想归纳并演绎，得到强大的ResNeXt结构ResNeXt结构上采用多个Building Block堆叠，结构简洁，Building Block中采用残差结构，同时采用Aggregated Transform，即Split-Transform-Merge思想VGG：结构简洁， （超参只需关心深度和宽度）堆叠使用3*3卷积，广泛应用到各视觉任务中ResNet：沿用VGG的简介结构设计，同时堆叠的Building Block采用残差结构

重要意义：引入shortcut connection，让网络信息有效传播，梯度反传顺畅，使得数千层卷积神经网络都可以收敛残差结构：Identity与F(x）结合形式探讨:.A-全零填充:维度增加的部分采用零来填充B-网络层映射:当维度发生变化时，通过网络层映射（例如:1+1卷积)特征图至相同维度C-所有Shortcut均通过网络层映射（例如:1*1卷积)有点：1有利于梯度传播 2.提供了恒等映射的可能里面模块的堆叠方式Basic：两个3X3卷积堆叠Bottleneck：利用1X1卷积减少

V3版本很重就是后面几个inception，包含了卷积分解：非对称卷积，卷积池化融合，减少计算量，同时损失信息不大，利用步长等于2代替池化，利用小卷积核融合代替大卷积核得到相同感受野，利用1*1分解为几个卷积一起计算融合，减少计算量，又不损失信息lass Inception3(nn.Module): def __init__(self, num_classes=1000, aux_logits=True, transform_input=False, ince.

导入必要模块import osimport numpy as npimport torch.nn as nnimport torchfrom torch.utils.data import DataLoaderimport torchvision.transforms as transformsimport torch.optim as optimfrom matplotlib import pyplot as plt导入数据处理模块和改造后的标签平滑损失函数from GoogLeNe