第三周--Googlenet-v1

1：文字回答：GoogLeNet采用了几个辅助损失？辅助损失函数的权重是多少？为什么要采用辅助损失函数？

答：两个；分别在Inceptionn4b和Inception4e增加两个辅助分类层；用于增加loss回传和充当正则约束迫使中间层特征也具有分类能力。

2：文字回答：Inception模块中有几个分支？分别是哪些操作？Inception模块输出时特征图采用什么方式融合？

答：4个；1x1，3x3，5x5，1x1；通过对通道数进行相加来对特征图进行融合。

3：文字回答：读完该论文，对你的启发点有哪些？

1. 池化损失空间分辨率，但在定位、检测和人体姿态识别中仍应用；延伸：定位、检测和人体姿态识别这些任务十分注重空间分辨率信息。
2. 增加模型深度和宽度，可有效提升性能，但有2个缺点，容易过拟合，计算量大。
3. 为节省内存消耗，先将分辨率降低，在堆叠使用inception结构。
4. 最后一层为全连接层，是为了更方便的微调，迁移学习。

4：代码实现：从网上找一张图片，执行GoogLeNet，观察top5输出的类别，并将输出结果截图进行打卡。

5.文字：本篇论文的学习笔记及总结