深度学习笔记(6)——CNN中的卷积block

本文主要介绍GoogleNet系列的CNN网络,包括Inception-v1到Inception-v4及Xception。这些网络通过融合不同尺度的feature map和使用group convolution,提升了网络的性能和泛化能力。Inception-v1引入了1×1卷积来控制channel,减少参数量。Inception-v2和v3进一步优化了卷积核设计,减小计算量。Inception-v4结合了ResNet的shortcut思想。Xception则进行了更深入的改进。
摘要由CSDN通过智能技术生成

因为最近写各种论文所以一直没有更新,准备先开个坑之后再填。这篇博客将是CNN网络的终结篇,之后将会开始介绍RNN网络。

CNN网络最初诞生的时候结构比较简单,都是几个卷积层堆叠一下。但是微软的Resnet和谷歌的Inception系列网络把CNN带到一个设计各种block反复调用的时代。比起传统的CNN网络,新的block设计能够在简化运算的同时保持甚至提高网络的泛化能力。那么本篇博客就来介绍一下现在各种主流block的结构和原理,主要包括Resnet系列(ResNet, ResNeXt, DenseNet, SeNet, ShuffleNet)和GoogleNet系列(Inception-v1, Inception-v2, Inception-v3, Inception-v4, Xception)。

GoogleNet系列

GoogleNet是比较经典的一个系列,主要包括Inception和Xception两个子系列,GoogleNet系列的网络特点在于融合不同尺度的feature map和使用group convolution的思想。

Inception-v1

Inception-v1是第一代GoogleNet,其block没有太多特色的地方,但是相比于VggNet、AlexNet这种方方正正的上古网络,Inception-v1融合不同尺寸的feature map和感受野。实现方式是用三个不同size的卷积核( 1×1,3×3,5×5 )去得到不同尺度的feature map,最早的v0版本的inception就是直接用三个卷积核进行卷积,v1做了一个微小的改进就是引入了 1×1

  • 8
    点赞
  • 27
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
评论 2
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值