深度学习---Inception 网络结构

最新推荐文章于 2024-03-02 14:22:19 发布
最新推荐文章于 2024-03-02 14:22:19 发布
阅读量864 收藏 1
点赞数 1
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_32571391/article/details/91608533
版权

Inception 网络结构图

Inception v1：

就是将一些大的卷积层换成1*1,3*3,5*5的小卷积，这样能够大大的减小训练参数的数量

Inception v2:

inception v2在网络结构上没有什么变化，只是在输入的时候增加了batch_mormal,训练起来收敛快。

将5*5的卷积改成了两个3*3的卷积，进一步减少了可训练的参数

inception v3 :

inception v3 将googlenet里一些7*7的卷积变成了1*7和7*1的两层的串联，同理，3*3的也一样，换成了1*3和3*1，加速了计算，还增加了网络的非线性，减少过拟合。网络的输入从224变成了299

inception v4 :

加入了resnet结构，其次，把先1*1再3*3 换成了先3*3 再1*1

 

 

福临sunny
关注
  • 1
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
基于深度学习的人脸识别算法研究
04-30
考虑到现实环境中的人脸图片在角度、光线、分辨率上的复杂程度，对Inception-ResNet-V1网络结构进行了改进，同时完成了数据集制作、超参数调节等相关工作，并在家庭服务机器人平台上进行了实验研究。实验结果表明，改进的网络结构在LFW测试集上准确率达到99.22%，高于原始网络结构的99.05%；在亚洲人脸数据集上准确率达到99.20%，高于原始网络结构的97.10%；在自建非匹配人脸数据集上误识别率为3.43%，低于原始网络结构的12.28%。可以看出，与原始网络结构相比，改进网络结构提升了人脸识别的准确率且降低了误识别率。
NiN服饰识别Fashion-MNIST.py
01-07
Network In Network (NIN) 是由 Min Lin 等人于 2014 年提出，在 CIFAR-10 和 CIFAR-100 分类任务中达到当时的最好水平，其网络结构是由三个多层感知机（NiN块）堆叠而成。NiN 模型论文 《Network In Network》 发表于 ICLR-2014，NIN 以一种全新的角度审视了卷积神经网络中的卷积核设计，通过引入子网络结构代替纯卷积中的线性映射部分，这种形式的网络结构激发了更复杂的卷积神经网络的结构设计，GoogLeNet 的 Inception 结构就是来源于这个思想。 Fashion-MNIST 是一个替代 MNIST 手写数字集的图像数据集。 ———————————————— 原文链接：https://blog.csdn.net/qq_63585949/article/details/127723218
深度学习小笔记03－，3*3的卷积核为什么可以代替5*5的卷积核和7*7的卷积核以及参数怎么算
Quasimo
06-12 6167
先贴两个博客： 为什么一个55的卷积核可以由两个33的卷积核替代？（这个不要重要） 5x5卷积核可以用2个3x3卷积核替代的原因（这个不重要） 看图解决所有 这张图被用烂了。 在一个卷积层，因为权值共享，所以一个33只有9个w和一个b这些权值。当stride=1时，55的矩阵被卷积成33，然后再经过一个33后就可以变成11，也就是说，经过两个33的卷积核后，一个值对应的数据源实际上是一个55的覆盖...
深入了解inception结构
Jmsh9605的博客
03-02 1052
Inception就是将多个卷积或池化操作放在一起组装成一个网络模块，设计神经网络时，以模块为单位去组装整个网络结构。Inception结构设计了一个稀疏网络结构，但是能够产生稠密的数据，既能增加神经网络表现，又能保证计算资源的使用效率。
深度学习网络 | inception网络再分析（含代码）
东南风的博客
08-20 5533
一、Inception网络（google公司）——GoogLeNet网络的综述 获得高质量模型最保险的做法就是增加模型的深度（层数）或者是其宽度（层核或者神经元数）， 但是这里一般设计思路的情况下会出现如下的缺陷： 1.参数太多，若训练数据集有限，容易过拟合； 2.网络越大计算复杂度越大，难以应用； 3.网络越深，梯度越往后穿越容易消失，难以优化模型。    解决上述两个缺点的根本方...
用若干个3*3卷积核代替5*5或7*7的卷积核
NaLi的博客
06-26 4089
用两个33卷积核可以代替一个55卷积核 用三个33卷积核可以代替一个77卷积核 下图，原始图像为99，经过不同大小的卷积操作后的结果。 对于3个33卷积后的感受野和一个77卷积核卷积的感受野是相同的，我们下面做一个比较，3个33卷积的参数要小于一个7*7，这样可以防止过拟合的情况，同时多层的relu激活，增加了卷积过程中的非线性，增加了网络的表达能力。 输入为HWC，我们使用M个卷积核，步长为...
详解Inception结构：从Inception v1到Xception
热门推荐
鲤鱼与驴的博客
02-15 2万+
详细介绍了GoogLeNet中Inception模块网络结构的发展历程，包括了Inception v1，Inception v2，Inception v3，Inception v4，Xception结构及特点。
【深度学习】Inception模型结构解析，关键词：Inception-v1、v2、v3、v4、Inception-ResNet-v1、Inception-ResNet-v2
Next_SummerAgain的博客
03-29 7726
【深度学习】Inception模型结构解析，关键词：Inception-v1、v2、v3、v4、Inception-ResNet-v1、Inception-ResNet-v2
Inception 深度卷积神经网络（CNN）架构
qq_44089890的博客
04-26 4144
Inception是一种深度卷积神经网络（CNN）架构，由Google在2014年提出。它是一种基于多尺度卷积的网络结构，旨在解决传统CNN在处理不同大小的输入图像时存在的问题。Inception的主要特点是使用了多个不同尺度的卷积核来提取不同尺度的特征。这些卷积核可以并行地应用于输入图像，然后将它们的输出连接在一起，形成一个多通道的特征图。通过这种方式，Inception可以有效地处理不同大小的输入图像，并提取更丰富和多样化的特征。
十分钟一起学会Inception网络
baicaiBC3的博客
01-08 1636
一、Inception网络简介 二、Inception网络模块 三、Inception网络降低参数计算量 四、Inception网络减缓梯度消失现象 五、Inception网络框架 六、Inception论文彩蛋 一、Inception网络简介 Inception网络又叫做GoogLeNet,之所以不叫GoogleNet，是为了向LeNet致敬,是2014年ChristianSzegedy在《Going deeper with convolutions》提出的一种全新的深度学习结构。 一般来说，提升网络性能
Inception结构详解(从V1到V4，再到xcpetion)
ximu__l的博客
03-13 3370
详细讲了关于Inception结构的内容和原理(从Inception V1到Inception V4，再到xcpetion)，都做了详细的介绍
Googlenet inception v1网络结构详解
12-27
总结了很多牛人的知识，解释了自己的很多疑点。
基于深度学习的中文语音识别系统
05-03
增加了基于科大讯飞DFCNN的CNN-CTC结构的中文语音识别模型cnn_ctc_am.py，与GRU相比，对网络结构进行了稍加改造。 完全使用DFCNN框架搭建声学模型，稍加改动，将部分卷积层改为inception，使用时频图作为输入，cnn_...
深度学习最先进的Backbone汇总
03-16
深度学习领域的研究日新月异，其中“Backbone”或“骨干网络”是推动这一领域进步的核心。骨干网络是深度学习模型的基础，它负责提取输入数据中的特征，这些特征随后被用于各种任务，如分类、检测和分割等。最先进的...
基于深度学习的车型识别研究与应用
06-01
介绍神经网络的发展、相关结构与技术原理，深入了解不同深度神经网络模型（VGGNet、InceptionNet、ResNet）的结构及原理，突出其独特改进优势。本文选用识别精度较高，在速度上具有很大优势的YOLO算法，在BIT-...
经典神经网络论文超详细解读（四）——InceptionV2-V3学习笔记（翻译＋精读＋代码复现）
路人贾的博客
12-16 2935
InceptionV2-V3论文（《Rethinking the Inception Architecture for Computer Vision》）超详细解读。翻译＋总结。文末有代码复现
Inception神经网络
Irving_HE
08-06 1171
Inception网络 1.Inception网络简介 Inception网络又叫做GoogLeNet,之所以不叫GoogleNet，是为了向LeNet致敬,是2014年ChristianSzegedy在《Going deeper with convolutions》提出的一种全新的深度学习结构。 一般来说，提升网络性能最保险的方法就是增加网络的宽度和深度，这样做同时也会伴随着副作用。首先越深越宽的网络往往会意味着有巨大的参数量，当数据量很少的时候，训练出来的网络很容易过拟合，并且当网络有很深的深度的时候，
卷积核的秘密
重剑无锋博客
03-30 198
卷积核为奇数，即3*3，5*5，7*7等等类似的。 从卷积核尺寸的选取来看，卷积核尺寸过大，会导致提取图像的特征过于复杂，尺寸过小，难以表示有用的特征。一般选取5*5或者7*7的最佳，不过都是在实验室的基础上进行选取的，如果实验表明3*3的效果更好，那完全可以用3*3的。 ...
2个3*3卷积核对一个5*5卷积核的替代性分析（或3个3*3卷积核对一个7*7卷积核的替代性分析）
aift的专栏
06-05 3952
使用更小的卷积核是当前在保证网络精度的情况下，减少参数的趋势之一，在VGG16中，使用了333个3∗33*33∗3卷积核来代替7*7卷积核，使用了222个3∗33*33∗3卷积核来代替5∗55*55∗5卷积核，这样做的主要目的是在保证具有相同感知野的条件下，提升了网络的深度，在一定程度上提升了神经网络的效果。 以下简单地说明一下小卷积(3∗33*33∗3)对于5×55×55×5网络感知野相同的替代...
Inception-ResNet v1网络结构
最新发布
04-27
Inception-ResNet v1是一种深度卷积神经网络结构，它是Inception和ResNet两个经典网络的结合。它的设计目标是在保持Inception网络高效性的同时，提高ResNet网络的准确性。 Inception-ResNet v1网络结构的主要特点如下： 1. Inception模块：Inception模块是Inception网络的核心组件，用于提取不同尺度的特征。它通过使用多个不同大小的卷积核和池化操作，并将它们的输出进行拼接，从而获得丰富的特征表示。 2. Residual连接：为了解决深层网络训练过程中的梯度消失和梯度爆炸问题，Inception-ResNet v1引入了Residual连接。这种连接方式允许信息在网络中直接跳跃传递，使得网络可以更容易地学习到残差部分，从而提高了网络的准确性。 3. 瓶颈结构：为了减少计算量和参数数量，Inception-ResNet v1使用了瓶颈结构。瓶颈结构通过先使用较小的卷积核进行降维，然后再使用较大的卷积核进行升维，从而减少了计算量，并提高了网络的效率。 4. 全局平均池化：Inception-ResNet v1在网络的最后一层使用全局平均池化操作，将特征图转换为固定长度的向量，然后通过全连接层进行分类。这种操作可以减少参数数量，并且具有一定的正则化效果。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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