GoogLeNet：Inception-v4, Inception-ResNet and the Impact of Residual Connections on Learning论文笔记

论文地址：Inception-v4, Inception-ResNet and the Impact of Residual Connections on Learning

前言

ResNet以及GoogLeNet在图像识别上都取得了非常优异都效果，并且都具有各自都风格和特点。ResNet的Residual block因其identity connection，具有简单无公害的结构，能够很好都解决当模型层次加深、复杂度加大时产生都优化难题，基于此，甚至提出了超过1000层的ResNet框架，可见这种结构都强大性。而GoogLeNet，尤其是Inception V3的版本，具有非常复杂而强大都拓扑结构，包含了3中类型都Inception模块，而且似乎并不会出现任何优化困难，网络的效果也非常好。因此，人们自然而然都提出了这样一个问题，如果将ResNet都Residual block和GoogLeNet都Inception block结合起来，是否可以生成一种结构更加复杂、性能更加强大的模型呢？答案是肯定的，这是否也能够证明上一篇文章都观点：优化问题和计算量是今后深度网络重要的研究方向呢？

Inception V4

话不多说，直接上图：

其中Stem模块如下：

我们发现Stem中使用了Inception V3中使用的并行结构、不对称卷积核结构，可以在保证信息损失足够小的情况下，使得计算量降低。结构中1*1的卷积核也用来降维，并且也增加了非线性。图中带V的标记说明该卷积核使用valid padding，其余的使用same padding。之后的结构也是这样。我们发现这个stem结构实际上是替代