跟我学算法-图像识别之图像分类（下）(GoogleNet网络, ResNet残差网络, ResNext网络， CNN设计准则）...

1.GoogleNet 网络： 

            Inception V1 - Inception V2 - Inception V3 - Inception V4 

            1. Inception v1

                split - merge - 1*1卷积，3*3卷积， 5*5卷积， 3*3池化
               

                输入层：inception

                          1*1 卷积

                           1*1卷积 - 3*3卷积

                           1*1卷积 - 5*5卷积

                           3*3 maxpooling - 1*1 卷积

                2个辅助分类器

                           深网络中，梯度回传到最初几层，存在严重消失问题

                            有效加速收敛

                            测试阶段不适用

            2. inception v2 

                      采用了Batch Normalization(批归一化)，使得输出规划到(0, 1)

                      对每一个特征通道做归一化， 归一化是进行中心化和标准化
                        x1 = (x-u) / б

                        y(k) = y(k) * x1(k) + β(k)

                       training:

                             每个batch中k组均值-标准差会被存储

                        testing：

                             无batch， 将所有的Kzu均值-标准差分别求平均，使用这K组平均
               3. Inception v3

                         核心组件

                              非对称卷积： N*N 分解成1*N 和 N * 1 

                          

                4. Inception v4

                        添加了一个残差神经网络的直连思想

 

2.ResNet 残差网络

         可以拟合任意目标映射F(x), H(x) = F(x) + x

         F（x）是残差映射

         当H(x) 最优映射接近Identity， 容易捕捉到很小的扰动
         X - weight layer - relu - weight layer -relu  - 

         Y - weight layer - relu - weight layer - relu - , 直接从Y到达后面实现直连

         其他设计： 

                 全是3*3卷积核

                 卷积步长2取代池化

                 使用batch Normalization

                 取消：

                      Max池化

                      全连接

                       dropout

3. ResNext网络

        提出了第三个维度

        策略：将卷积核按通道分组，形成32个并行分支

                   低维度卷积，进行特征变化

                   加法合并

 

4. CNN设计准则

       避免信息瓶颈

                 卷积过程中

                        空间尺寸 H * W 变小

                         输出通道C变多

                  数据量H*W*C要缓慢变小
                  通道数量保持在可控范围内

                  感受野在前期要足够大

                        在后面几层使用多个尺寸的卷积核

                 CNN 设计准则

                          分组策略 采用通道分解(resnext)- 降低计算量

                          低秩分解 - 3*3*c*k - 1*3*c*k 和 3*1*c*k 

                             

 

 

          

 

           

转载于:https://www.cnblogs.com/my-love-is-python/p/9794998.html