GoogLeNet网络讲解

1. 网络结构

最顶上的是主分类器（即最终输出结点），侧边的两个是辅助分类器

2. 网络亮点

1. 引入inception结构（融合不同尺度的特征信息）
2. 使用1*1的卷积核进行降维和映射处理
3. 添加两个辅助分类器帮助训练
4. 丢弃全连接层，使用平均池化层（大大减少模型参数）

AlexNet和VGG都只有一个输出层，GoogLeNet有三个输出层（其中两个辅助分类层）

3. inception结构

注意：每个分支所得的特征矩阵高和宽必须相同

图b增加了1*1的卷积核，减少了特征矩阵的深度，从而减少了卷积参数，减少了计算量

4. 辅助分类器

两个辅助分类器结构相同，分别来自inception（4a）和inception（4d）
inception（4a）的输出特征矩阵是$14\ast 14\ast 512$
inception（4d）的输出特征矩阵是$14\ast 14\ast 528$

辅助分类器的结构：

• 大小为5*5，stride=3的平均池化下采样层
• 128个卷积核大小为1*1的卷积，并且使用ReLu激活函数
• 节点个数为1024的全连接层，同样使用ReLu激活函数
• 全连接层和全连接层之间适用dropout，以70%的比例随机失活神经元
• 全连接层且使用softmax激活函数（节点个数为类别个数1000）
  

5. GoogLeNet和VGG的参数对比

VGGNet参数为GoogLeNet的1/20

下一篇：pytorch搭建GoogleNet网络