深度学习之GoogleNet

前言

AlexNet掀起了一股深度神经网络的浪潮，但是其网络结构比不能算是真正的深度网络，因此VGG在AlexNet的基础上，通过加深网络结构和减小卷积核来实现性能的提升，但是增加网络深度虽然能够带来性能的提升，但是也尤其副作用，就是容易使模型容易过拟合，并存在梯度消失和爆炸的情况，对此GoogleNet提出了一种新的网络组件Inception来解决上述问题，并取得了更好得模型性能。

1，网络结构

2，模型特点

• Inception块之间可以堆叠使用。
• 添加了1×1卷积，降低输入的通道维度，避免参数过量影响训练
• 多卷积核+池化的并行结构，通过合并层进行串联，实际上让网络具备了自动选择的能力，而不是人为地设置卷积或池化，或决定卷积核的尺寸。
• 针对同一个输入层，在Inception块中有四条并行的线路，其中前1~3个是1×1卷积层，第4个是一个MaxPooling池化层，这四条线路最后的输出拥有相同的shape和不同的channel通道数。于是，这些输出最后可在channel维度进行合并。 例如：28×28×64，28×28×128，28×28×32，28×28×32。 通道合并层的shape:28×28×256(64+128+32+32)
• 

3，网络设计