GoogLeNet网络结构

GoogLeNet网络

Inception 结构。inception的作用：增加网络深度和宽度的同时减少参数

1x1的卷积核如何起到降维的作用呢？目的是为了降维（减小深度），减少模型训练参数，减少计算量。

辅助分类器

AlexNet和VGG都只有一个输出层 ，而GoogLeNet有三个输出层（其中有两个辅助分类层，一个主分类器，两个辅助分类器的结构一样）

在训练模型时，将两个辅助分类器的损失乘以权重（论文中是0.3）加到网络的整体损失上，再进行反向传播。

（1）第一层是我们的平均下采样操作，池化核大小是5*5 ，步距是等于3

（2）采用128个卷积核大小为1*1的卷积层进行卷积处理，目的是为了降低维度，并且使用的是ReLU激活函数

（3）采用节点个数为1024的全连接层，同样使用ReLU激活函数

（4）全连接层与全连接层之间使用dropout函数，以70%的比例，随机失活神经元

（5）采用节点个数为1000的全连接层，这里的节点个数是对应我们的类别个数！！！

（6）通过softmax函数得到我们的概率分布
辅助分类器的两个分支有什么用呢？

作用一：可以把他看做inception网络中的一个小细节，它确保了即便是隐藏单元和中间层也参与了特征计算，他们也能预测图片的类别，他在inception网络中起到一种调整的效果，并且能防止网络发生过拟合。
作用二：给定深度相对较大的网络，有效传播梯度反向通过所有层的能力是一个问题。通过将辅助分类器添加到这些中间层，可以期望较低阶段分类器的判别力。在训练期间，它们的损失以折扣权重（辅助分类器损失的权重是0.3）加到网络的整个损失上。

GoogLeNet网络结构参数

表格中的参数所表示的具体含义

GoogLeNet网络整体结构

模型

import torch.nn as nn
import torch
import torch.nn.functional as F


class GoogLeNet(nn.Module):
    def __init__(self, num_classes=1000, aux_logits=True, init_weights=False): #分类类别个数是1000 是否使用辅助分类器 是否对我们的权重进行初始化
        super(GoogLeNet, self).__init__()
        self.aux_logits = aux_logits#是否使用辅助分类器的布尔变量传入到我们的类变量中

        self.conv1 = BasicConv2d(3, 64, kernel_size=7, stride=2, padding=3)
        # 卷积层 输入维度为 3 卷积核个数64 卷积核大小7x7，stride是2，padding是3
        # padding=3这样做是为了将特征矩阵缩减为原来的一半
        # （224 - 7 + 2*3）/ 2 + 1 =112.5 pytorch默认向下取整，就是112

        self.maxpool1 = nn.MaxPool2d(3, stride=2, ceil_mode=True)
        # 池化核大小为3x3 ceil_mode=True是指向上取整

        # 此次没有使用localResNorm层

        self.conv2 = BasicConv2d(64, 64, kernel_size=1)
        # 输入维度是上一层输出维度 卷积核个数为64
        self.conv3 = BasicConv2d(64, 192, kernel_size=3, padding=1)
        self.maxpool2 = nn.MaxPool2d(3, stride=2, ceil_mode=True)

        # 此次没有使用localResNorm层

        self.inception3a = Inception(192, 64, 96, 128, 16, 32, 32)
        # 使用已经定义好的inception类
        # 输入特征矩阵的深度，ch1x1代表#1x1 ch3x3red代表#3x3 reduce
        # ch5x5red代表#5x5 reduce   ch5x5代表#5x5  pool_pro代表pool proj
        self.inception3b = Inception(256, 128, 128, 192, 32, 96, 64)
        self.maxpool3 = nn.MaxPool2d(3, stride=2, ceil_mode=True)

        self.inception4a = Inception(480, 192, 96, 208, 16, 48, 64)
        self.inception4b = Inception(512, 160, 112, 224, 24, 64, 64)
        self.inception4c = Inception(512, 128, 128, 256, 24, 64, 64)
        self.inception4d = Inception(512, 112, 144, 288, 32, 64, 64)
        self.inception4e = Inception(528, 256, 160, 320, 32, 128, 128)
        self.maxpool4 = nn.MaxPool2d(3, stride=2, ceil_mode=True)

        self.inception5a = Inception(832, 256, 160, 320, 32, 128, 128)
        self.inception5b = Inception(832, 384, 192, 384, 48, 128, 128)

        if self.aux_logits: #如果使用辅助分类器的话，这个是我们刚刚传入的布尔参数
            self.aux1 = InceptionAux(512, num_classes)#输入特侦矩阵的深度（inception4a的输出）
            self.aux2 = InceptionAux(528, num_classes)#输入特侦矩阵的深度（inception4d的输出）

        self.avgpool = nn.AdaptiveAvgPool2d((1, 1))#自适应的平均池化下采样操作 参数所需要输出特征矩阵的高和宽 ，
         <