GoogleNet人工智能MajorS的博客-

GoogleNet

链接: 数据集 提取码: 6cgu

• 1.一 论文导读
• 2.二 论文精读
• 3.三 代码实现
• 4.四 问题思索

一 论文导读

一 LeNet 如下图：

LeNet 是整个卷积神经网络的开山之作，是卷积神经网络的现代雏形，1998年LeCun提出
缺点是：网络层数浅，无激活层

二 AlexNet

AlexNet:2012年在ImageNet竞赛中取得了冠军，这是ImageNet竞赛史上第一次基于卷积神经网络模型得到冠军，AlexNet相对于LeNet，网络更深，同时第一次引入ReLu激活层，在全连接层引入Dropout层防止过拟合。
补充:Relu激活层标志着深度神经网络的出现

当时限于GPU运算量有限，使用两个GPU并行运算。

三 VGG

VggNet是第一个真正意义上的深层网络结构，是ImageNet2014年的亚军，使用了更小的滤波器，更深的网络结构

VGGNet与AlexNetb比较：AlexNet只有8层，VGGNet有16-19层，AlexNet使用了1111卷积滤波器，VGGNet使用了33卷积滤波器和2*2的最大池化层，层叠小的滤波器和大的滤波器感受野是相同的，还能减少参数，因而有更深的网络。

四 GoogleNet

GoogleNet也叫InceptionNet,是2014年ImageNet比赛的冠军，相比于VGGNet有更深的网络，但是网络参数却比AlexNet少12倍，计算效率非常高，因为GoogleNet采用了Inception模块，GoogleNet可以看作是很多个inception模块的串联，并且模型没有全连接。

Inception 模块设计了一种局部的网络拓扑结构，然后将这些模块堆叠在一起形成一个抽象的网络结构，运行及各个并行的滤波器，对输入进行卷积和池化，这些滤波器有着不同的感受野，最后将输出结果拼接在一起输出。

最原始Inception的基本结构：

一方面增加了网络宽度，另一方面也增加了网络对尺度的适应性。
网络卷积层中的网络能够提取输入的每一个细节信息，同时5*5的滤波器也能够覆盖大部分接受层的输入。还可以进行一个池化操作，以减少空间大小，降低多度拟合。在这些层之上，在每一个卷积层后都要做一个Relu操作，以增加网络的非线性特征。

InceptionV2:

Inception原始版本，所有的卷积核都在上一层的所有输出上来做，而5*5的卷积核所需的计算量很大，造成特征图的厚度很大，为了避免这种情况，在3*3前，5*5前、max pooling后分别加上1*1的卷积核，已起到了降低特征图厚度的作用，这也就形成了Inception V1的网络结构。

InceptionV3:在不改变感受野同时减少参数的情况下，采用1*n和n*1的卷积核代替InceptionV1-V2中的n*n的卷积核。

InceptionV4:

InceptionV4采用了inception模块于残差连接相结合，V4主要利用残差连接来改进V3结构，得到Inception-ResNet-V2,Inception-ResNet-V1的网络

五 ResNet

• ResNet是2015年ImageNet竞赛的冠军
• ResNet有效地解决了深度神经网络难以训练的问题，可以训练高达1000层的卷积神经网络
• ResNet通过引入了跨层链接解决了梯度回传消失的问题
• 使用普通的连接，上层的梯度必须要一层一层传回来，而采用残差连接，相当于中间有了一条更短的路，梯度能够从这条更短的路传回来，避免了梯度过小的情况。

论文的核心思想：

1*1Conv

-在

二 论文精读

三 代码实现

四 问题思索