图像分类中参数占大分额组成是全连接层
resnet
没有池化,使用卷积步长为2进行替代
没有全连接层----趋势,浪费参数,并且导致计算复杂度增高
没有Dropout
CNN设计准则
参数缓慢变小
感受野足够大
1卷积核大小
2网络深度
3基度
resNext
提出深和宽之外的第三个维度
基数
1将卷积核按通道分组,形成32个并行分支
2低维度卷积进行特征变换
3加法合并
图像分类中参数占大分额组成是全连接层
resnet
没有池化,使用卷积步长为2进行替代
没有全连接层----趋势,浪费参数,并且导致计算复杂度增高
没有Dropout
CNN设计准则
参数缓慢变小
感受野足够大
1卷积核大小
2网络深度
3基度
resNext
提出深和宽之外的第三个维度
基数
1将卷积核按通道分组,形成32个并行分支
2低维度卷积进行特征变换
3加法合并