1.特点
AlexNet和VGG都只有一个输出层,而GoogLeNet有三个输出层(其中有两个辅助分类层,即图中红圈,黑圈为主分类器)
2.Inception结构
图a,将上一层的输出矩阵同时输入到这四个分支中进行处理,将这四个矩阵处理后的特征矩阵按深度进行拼接,得到输出特征矩阵 (每个特征矩阵的高和宽必须相同)
图b中加入了三个1*1卷积核,起降维作用 (减少特征矩阵深度,减少所需参数)
辅助分类器(只在训练过程中起作用)
该网络中有两个辅助分类器,但结构相同(分别来自inception4a和4d)
第一层是平均池化下采样操作,池化核大小为5,步距为3
接下来用128个卷积核大小为1的卷积层进行处理,目的是降低维度,这里也使用了relu激活函数
接下来用节点个数是1024的全连接层
在两个全连接层中使用dropout函数,以0.7的概率失活神经元
最后一个全连接层有多少个类别就有多少个节点,再使用softmax激活函数得到概率分布