【深度学习】深度神经网络Inception结构以及作用

Inception V1-V4总结：

Inception V1:

Inception v1的网络，将1x1，3x3，5x5的conv和3x3的pooling，堆叠在一起，

一方面增加了网络的width，

另一方面增加了网络对尺度的适应性；

 

Inception V2:

一方面了加入了BN层，减少了Internal Covariate Shift（内部neuron的数据分布发生变化），使每一层的输出都规范化到一个N(0, 1)的高斯； 
另外一方面学习VGG用2个3x3的conv替代inception模块中的5x5，既降低了参数数量，也加速计算；

 

Inception V3:

v3一个最重要的改进是分解（Factorization），将7x7分解成两个一维的卷积（1x7,7x1），3x3也是一样（1x3,3x1），

这样的好处，

既可以加速计算（多余的计算能力可以用来加深网络），

又可以将1个conv拆成2个conv，使得网络深度进一步增加，增加了网络的非线性，

还有值得注意的地方是网络输入从224x224变为了299x299，更加精细设计了35x35/17x17/8x8的模块。

 

Inception V4:

v4研究了Inception模块结合Residual Connection能不能有改进？

发现ResNet的结构可以极大地加速训练，同时性能也有提升，得到一个Inception-ResNet v2网络，

同时还设计了一个更深更优化的Inception v4模型，能达到与Inception-ResNet v2相媲美的性能

 

GoogLeNet：

 

 

Inception-v3结构：

（图中框住的地方应为5层）

1*1 conv的作用：
　　简单说，是特征降维，是feature pooling，filter space的transform。这种跨特征层的级联结构，可以有助于不同特征层间的空间信息交互。论文中语:”This cascaded cross channel parameteric pooling structure allows complex and learnable interactions of cross channel information”。
　　这篇文章的解释：http://iamaaditya.github.io/2016/03/one-by-one-convolution/

全0填充，不改变图像的长宽，减小深度

可以在保持网络结构不变的情况下，减小网络参数的个数

 

pooling的作用：

减小参数，但是要保持长宽不变

缩小矩阵尺寸，减少全连接层的参数个数

加快计算，防止过拟合

 

如何将不同通道连接起来：

所有图像的长宽不变，深度不同，在深度维度将不同模块拼接起来。

和inception结构之前相比长宽不变，深度改变

 

youtube上有用的Inception介绍视频，强烈推荐：

http://ziyubiti.github.io/2016/11/13/googlenet-inception/

https://www.youtube.com/watch?v=1OCsi0krPgg

https://www.youtube.com/watch?v=cwBdAQXpDZM

 

在迁移学习过程中利用Inception-V3模型，获取模型各层的名称，请参考本博客的另一篇博文“Tensorflow中InceptionV3模型迁移学习获取tensor的name”：

https://mp.csdn.net/postedit/80686345

 

参考：

模型结构比较：

https://blog.csdn.net/u014114990/article/details/52583912

 

结构的解析请参照下面的文章链接：

1.深度神经网络Google Inception Net-V3结构图 ：

https://www.jianshu.com/p/3bbf0675cfce

2.深度学习卷积神经网络——经典网络GoogLeNet(Inception V3)网络的搭建与实现： 

https://blog.csdn.net/loveliuzz/article/details/79135583