卷积神经网络框架三：Google网络--v4:Inception-ResNet and the Impact of Residual Connections on Learning

Inception-ResNet and the Impact of Residual Connections on Learning
简述：
在这篇文章中，提出了两点创新，1是将inception architecture与residual connection结合起来是否有很好的效果.2是Inception本身是否可以通过使它更深入、更广泛来提高效率，提出Inception-v4 and Inception- ResNet两种模型网络框架。inception 已经被证明可以在相对较低的计算成本下获得非常好的性能，residual网络和Incption-v3的性能相似，都是对系统整体性能的极大提升。本文还证明了residual的加入会极大的改进inception网络，同时本文还提出了一些streamlined architectures（精简架构）为了residual and non-residual Inception networks。

模型：
对于Inception＋Res网络，我们使用比初始Inception更简易的Inception网络，但为了每个补偿由Inception block 引起的维度减少，Inception后面都有一个滤波扩展层(1×1个未激活的卷积)，用于在添加之前按比例放大滤波器组的维数，以匹配输入的深度。
第一个“inception- resnet -v1”大致相当于inception -v3的计算成本，而“inception- resnet -v2”则相当于inception-v4网络的计算成本。

下图为inception-v4网络，总体框架及框架细节：

具体细节如下，分别为Inception-A block、Inception-B block、Inception-C block、35×35 ~ 17×17 reduction module、17×17 ~8×8 grid-reduction module：