深度学习笔记（6）——CNN中的卷积block

最新推荐文章于 2024-08-18 22:00:00 发布

迷川浩浩_ZJU

最新推荐文章于 2024-08-18 22:00:00 发布

阅读量1.3w

点赞数 8

分类专栏：深度学习文章标签：深度学习 cnn

本文链接：https://blog.csdn.net/qq_21190081/article/details/78164952

版权

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（ $1\times 1, 3\times 3, 5\times 5$ ）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