深度学习经典模型之GoogLeNet

1 GoogLeNet

1.1 模型介绍

​ GoogLeNet作为2014年ILSVRC在分类任务上的冠军，以6.65%的错误率力压VGGNet等模型，在分类的准确率上面相比过去两届冠军ZFNet和AlexNet都有很大的提升。从名字GoogLeNet可以知道这是来自谷歌工程师所设计的网络结构，而名字中GoogLeNet更是致敬了LeNet${}^{[0]}$。GoogLeNet中最核心的部分是其内部子网络结构Inception，该结构灵感来源于NIN，至今已经经历了四次版本迭代（Inception${}_{v1-4}$）。

​ 图 1 Inception性能比较图

1.2 模型结构

​ 图 2 GoogLeNet网络结构图
​ 如图4.9中所示，GoogLeNet相比于以前的卷积神经网络结构，除了在深度上进行了延伸，还对网络的宽度进行了扩展，整个网络由许多块状子网络的堆叠而成，这个子网络构成了Inception结构。图4.9为Inception的四个版本：$Inceptio{n}_{v1}$在同一层中采用不同的卷积核，并对卷积结果进行合并;$Inceptio{n}_{v2}$组合不同卷积核的堆叠形式，并对卷积结果进行合并;$Inceptio{n}_{v3}$则在$v_2$基础上进行深度组合的尝试;$Inceptio{n}_{v4}$结构相比于前面的版本更加复杂，子网络中嵌套着子网络。

$Inceptio{n}_{v1}$

$Inceptio{n}_{v2}$

$Inceptio{n}_{v3}$

$Inceptio{n}_{v4}$

​ 图 3 Inception${}_{v1-4}$结构图

​ 表 4 GoogLeNet中Inception${}_{v1}$网络参数配置

网络层	输入尺寸	核尺寸	输出尺寸	参数个数
卷积层$C_{11}$	$H\times W\times C_1$	$1\times 1\times C_2/2$	$\frac{H}{2}\times \frac{W}{2}\times C_2$	$(1\times 1\times C_1+1)\times C_2$
卷积层$C_{21}$	$H\times W\times C_2$	$1\times 1\times C_2/2$	$\frac{H}{2}\times \frac{W}{2}\times C_2$	$(1\times 1\times C_2+1)\times C_2$
卷积层$C_{22}$	$H\times W\times C_2$	$3\times 3\times C_2/1$	$H\times W\times C_2/1$	$(3\times 3\times C_2+1)\times C_2$
卷积层$C_{31}$	$H\times W\times C_1$	$1\times 1\times C_2/2$	$\frac{H}{2}\times \frac{W}{2}\times C_2$	$(1\times 1\times C_1+1)\times C_2$
卷积层$C_{32}$	$H\times W\times C_2$	$5\times 5\times C_2/1$	$H\times W\times C_2/1$	$(5\times 5\times C_2+1)\times C_2$
下采样层$S_{41}$	$H\times W\times C_1$	$3\times 3/2$	$\frac{H}{2}\times \frac{W}{2}\times C_2$	$0$
卷积层$C_{42}$	$\frac{H}{2}\times \frac{W}{2}\times C_2$	$1\times 1\times C_2/1$	$\frac{H}{2}\times \frac{W}{2}\times C_2$	$(3\times 3\times C_2+1)\times C_2$
合并层$M$	$\frac{H}{2}\times \frac{W}{2}\times C_2(\times 4)$	拼接	$\frac{H}{2}\times \frac{W}{2}\times (C_2\times 4)$	$0$

1.3 模型特性

• 采用不同大小的卷积核意味着不同大小的感受野，最后拼接意味着不同尺度特征的融合；

• 之所以卷积核大小采用1、3和5，主要是为了方便对齐。设定卷积步长stride=1之后，只要分别设定pad=0、1、2，那么卷积之后便可以得到相同维度的特征，然后这些特征就可以直接拼接在一起了；

• 网络越到后面，特征越抽象，而且每个特征所涉及的感受野也更大了，因此随着层数的增加，3x3和5x5卷积的比例也要增加。但是，使用5x5的卷积核仍然会带来巨大的计算量。 为此，文章借鉴NIN2，采用1x1卷积核来进行降维。

如果你也想玩GPT4，市场独享4.0一般在190-230/月，而且官网麻烦，如果想低成本玩GPT4,可以加v：l715666082，加v时刻备注：GPT4

此外，小编为了解决官网的提问次数限制，做了一个账号池，官方事每个号40次/3h提问题次数，通过账号池技术，不用等次数刷新，跟原版的体验感是一样的，因为好用实惠，续费还是很多的