经典CNN的实现 InceptionNet

最新推荐文章于 2024-01-16 19:42:19 发布

如魔

最新推荐文章于 2024-01-16 19:42:19 发布

阅读量4.1k

点赞数

分类专栏：知识整理-读书笔记 python 深度学习文章标签： cnn 深度学习 keras

本文链接：https://blog.csdn.net/weixin_49374896/article/details/123465332

版权

本文介绍了InceptionNet的起源、结构特点和优势，它以CBA结构为基础，通过多尺寸卷积和全局平均池化降低参数量，避免了VGGNet的深度堆叠。InceptionBlock的四条运算路径在深度上堆叠，简化了网络设计，但随着深度增加训练难度增大，为ResNet解决此问题铺平了道路。

摘要由CSDN通过智能技术生成

经典CNN的实现 InceptionNet

InceptionNet

InceptionNet诞生于2014年，当年ImageNet竞赛冠军，Top5错误率为6.67%

论文出处：Szegedy C, Liu W, Jia Y, et al. Going Deeper with Convolutions. In CVPR, 2015.

InceptionNet旨在通过增加网络的宽度来提升网络的能力，与 VGGNet 通过卷积层堆叠的方式（纵向）相比，是一个不同的方向（横向）。要理解 InceptionNet 的结构，首先要理解它的基本单元：InceptionNet 结构块：

对于一Inception结构块，它的输入会经过四条路径的运算，然后将四天路径的运算在深度方向堆叠在一起，形成输出。

可以看到的是，InceptionNet 的基本单元中，卷积部分是比较统一的 CBA结构，即卷积→BN→激活，且激活均采用 Relu 激活函数，同时包含最大池化操作。因此我们可以把CBA封装成一个新的类，ConvBNRelu类，以减少代码量，且易于阅读。

class ConvBNRelu(Model):
    # 参数 ch 代表特征图的通道数，也即卷积核个数；kernelsz 代表卷积核尺寸；strides 代表 卷积步长；padding 代表是否进行全零填充。
    def __init__(self,ch, kernelsz=3, strides=1, padding='same'):
        super(ConvBNRelu, self).__init__()
        self.model=tf.keras.Sequential([
            Conv2D(ch,kernelsz,strides=strides,padding=padding),
            BatchNormalization(),
            Activation('relu')
        ])


    def call(self, x):
        x = self