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)