因此,在 2015 年 12 月提出的 Inception V3 结构借鉴 inception 的结构设计了采用一 种并行的降维结构,如下图:
![](https://img-blog.csdnimg.cn/1c4d2059201b43fdb846c689ceefc53d.png)
figure 6' 17/8 之间的特征图尺寸缩小
这样就得到 Inception v3 的网络结构,如表所示。
Inception V4
其实,做到现在,inception模块感觉已经做的差不多了,再做下去准确率应该也不会有大的改变。但是谷歌这帮人还是不放弃,非要把一个东西做到极致,改变不了inception模块, 就改变其他的。
因此,作者Christian Szegedy设计了inception v4的网络,将原来卷积、池化的顺次连接(网络的前几层)替换为stem模块,来获得更深的网络结构。stem模块结构如下
![Steam模块](https://img-blog.csdnimg.cn/a553bde35c3e43b5b48e8120ca0e7aec.png)
inception v4 中 的 inception 模 块 ( 分 别 为 inception A inception B inceptionC)
inception v4 中的 reduction 模块(分别为 reduction A reduction B) 最终得到的 inception v4 结构如下图。
Inception-ResNet-v2
ResNet(该网络介绍见卷积神经网络结构简述(三)残差系列网络)的结构既可以加速 训练,还可以提升性能(防止梯度弥散);Inception模块可以在同一层上获得稀疏或非稀疏 的特征。有没有可能将两者进行优势互补呢?
Christian Szegedy 等人将两个模块的优势进行了结合,设计出了 Inception-ResNet 网络。 (inception-resnet 有 v1 和 v2 两个版本,v2 表现更好且更复杂,这里只介绍了 v2) inception-resnet 的成功,主要是它的 inception-resnet 模块。 inception-resnet v2 中的 Inception-resnet 模块如下图
Inception-resnet 模块(分别为inception-resnet-A inception-resnet-B inception-resnet-C) Inception-resnet 模块之间特征图尺寸的减小如下图。(类似于inception v4)
inception-resnet-v2中的reduction模块(分别为 reduction A reduction B)最终得到的Inception-ResNet-v2网络结构如图(stem模块同inceptionv4).