经典CNN网络：GoogleNet

GoogleNet的基本单元

Inception单元结构

        主要思想是利用不同大小的卷积核实现不同尺度的感知，网络结构如下图所示

对上图进行说明：

        1 . 采用不同大小的卷积核可以提取不同尺度的特征

        2 . 卷积核采用1/3/5，主要是为了方便组合。设定步长为1后，只要设定padding=0/1/2，后续卷积就可以得到相同宽高的特征图片

问题

        这个模块的结构的参数太多，导致特征图厚度太大，所以改进的模块加入1*1的卷积模块，有效减少了卷积层的参数。等一下，为什么1*1的卷积可以减少卷积层的参数？

        好了，回答一下，假如输入是100*100*64，经过卷积Filter：5*5  s=1  padding=2 Filter_num=128后，输出当然是(100-5+2*2)/1+1=100，100*100*128啦，卷积的参数就是64*5*5*128；但是先经过32个1*1的卷积，再通过5*5的卷积，输出依旧是100*100*128，但是卷积的参数为64*1*1*32+32*5*5*128， 64*5*5*128要比64*1*1*32+32*5*5*128的参数多很多呀！！！，所以后序改进的模块如下图所示

GoogleNet完整结构

        介绍完基本的模块后，我们看看GoogleNet的完整结构吧（真的好长，看都不想看，但是接着往下看呗）,图片用的是知乎博主任乾的图片(用了别人的东西就要标记，这是尊重别人的劳动成果)。

       其实按照模块去看，不那么复杂。

1.用了9个Inception单元结构

2.为了避免梯度消失，网络额外增加了2个辅助的softmax用于向前传导梯度

3.采用了平均池化来代替全连接层

我的理解就是，googlenet增加了网络的宽度，不同的尺寸的卷积核提取不同的特征图。