第五周--GoogleNet-V3

1：文字回答：GoogLeNet-V3中，特征图分辨率从3535降到1717，采用的是Inception（ABCDE）中的哪一个? 对应论文中哪一幅图？该结构最大的特点是什么？

答：Inception B，如下图所示；对应论文的图10；特点是同样的效果下减少计算量。

2：文字回答：Label Smoothing 对模型训练有什么积极影响？ 其中的epsilon参数作用是什么？

答：解决因过度自信导致的过拟合；在label_smoothing里，有一个epsilon的参数值，该值描述了将标签软化的程度，该值越大，经过label smoothing后的标签向量的标签概率值越小，标签越平滑，反之，标签越趋向于hard label。

3：文字回答：卷积分解有哪两种形式？ 分别在Inception（ABCDE）中何处使用？

答：①将大卷积分解为小卷积表示，②在分辨率为12-20的特征图上进行非对称卷积分解效果较好；Inception A将7X7卷积替换为3个3X3卷积，5X5卷积替换为2个3X3卷积和Inception C处理17X17特征图，采用非对称卷积。

4：文字回答：读完该论文，对你的启发点有哪些？

答： CNN的分类是CNN视觉任务的基础：在分类上表现好的CNN，通常在其它视觉任务中表现也良好。
 移除两个辅助分类层中的第一个，并不影响网络性能。
 非对称卷积分解在分辨率为12-20的特征图上效果较好，且用1X7和7X1进行特征提取。

5：代码实现：从网上找一张图片，执行GoogLeNet-V3，观察top5输出的类别，并将输出结果截图进行打卡。

6：文字：本篇论文的学习笔记及总结