GoogLeNet分析Incepetion V1--深度学习入门

解决增加网络深度和宽度时容易产生过拟合且大大增加计算量。将全连接和一般的卷积转化为稀疏连接。稀疏连接的概念如图：

GooLeNet使用了将稀疏矩阵聚类成秘籍子矩阵的方式提高性能
基本结构如下图：

使用不同大小的卷积核和池化，最后拼接进行融合。

网络越到后面，特征越抽象，而且每个特征所涉及的感受野也更大了，因此随着层数的增加，3x3和5x5卷积的比例也要增加。

但是5X5卷积仍然计算量大，采用1X1卷积核降维

1X1卷积核降维是减少了输入通道数，对m通道的输入进行n个1X1卷积核卷积，将会降维成n通道。

池化后面的1X1卷积也使用来变化维度

Filter concatenation运行方式就是将图按深度连接起来

为什么说Incepetion用到了聚类的思维，我是这么理解的，将一个输入分别用1X1,3X3,5X5卷积核进行卷积，不同层三种卷积核个数不一样，一个输入中有着不同性能的特征，如果全部用一种卷积核卷积，较为臃肿，复杂的特征应该用小一点的卷积核，简单的特征用大的就可以了，用不同尺寸的卷积核就对不同类型的特征进行了提取，因此计算的参数会减少很多，降低过拟合的产生，也能降低计算量。

GoogLeNet整体框架

使用多个Incepetion，因为越往后图像越抽象，可以用更多大一点的卷积核。