标签：http   googl   提升   png   通过   通道   port   实例化   维度   

1. GoogLeNet背景

GoogLeNet和AlexNet/VGGNet这类依靠加深网络结构的深度的思想不完全一样。GoogLeNet在加深度的同时做了结构上的创新，引入了一个叫做Inception的结构来代替之前的卷积加激活的经典组件。GoogLeNet在ImageNet分类比赛上的Top-5错误率降低到了6.7%。

2. Inception

2.1为什么提出Inception

在GoogLeNet之前，大多数提升网络性能的方式为增加网络深度，GoogLeNet采用增加网络宽度来提升网络性能，在相同计算量下获取更多的特征信息，从而提升训练结果

2.2Inception

GoogLeNet中的基础卷积块叫作Inception块，得名于同名电影《盗梦空间》（Inception）。Inception块在结构比较复杂，如下图所示：
Inception块内有4条并行的线路，分别为1x1、3x3、5x5卷积层和应该3x3的最大池化层，其中中间两个线路先用1x1卷积来减少通道数，以减少参数的个数，池化层通过1x1卷积层来改变通道个数，4条线路都padding都采用same方式，确保四条线路宽高一致。最后我们将每条线路的输出在通道维度上进行连结，病作为下一层的输入。

扩展：为什么1x1卷积可以减少网络参数？

(a)是未加入1x1卷积的inception模块，(b)是加入了1x1 卷积的inception模块。
我们以3x3卷积线路为例，假设输入的特征图大小为（28x28x192），输出特征图的通道数是128：
(a)图中该线路的参数量为：3x3x192x128 = 221184
(b)图中加入1x1卷积后通道为96，再送入3x3卷积中的参数量为：(1x1x192x96)+(3x3x96x128)=129024
对比可知，加入1x1卷积后参数量减少了。

在tf.keras中实现Inception模块，各个卷积层卷积核的个数通过输入参数来控制，如下所示：

import 
import tensorflow as tf
# 定义Inception模块
class Inception(tf.keras.layers.Layer):
	# 输入参数为各个卷积核个数
	def __init__(self,c1,c2,c3,c4):
		super().__init__()
		# 线路1:1x1的卷积核，激活函数为relu，padding为same
		self.p1_1 = tf.keras.layers.Conv2D(c1,kernel_size=1,activition=‘relu‘,padding=‘same‘)
		# 线路2：1x1的卷积核后接3x3的卷积核，就函数为relu，padding为same
		self.p2_1 = tf.keras.layers.Conv2D(c2[0],kernel_size=1,activition=‘relu‘,padding=‘same‘)
		self.p2_2 = tf.keras.layers.Conv2D(c2[1],kernel_size=3,activition=‘relu‘,padding=‘same‘)
		# 线路3： 1x1的卷积核后接5x5的卷积核，激活函数为relu，padding为same
		self.p3_1 = tf.keras.layers.Conv2D(c3[0],activition=‘relu‘,padding=‘same‘)
		self.p3_2 = tf.keras.layers.Conv2D(c3[1],activition=‘relu‘,padding=‘same‘)
		# 线路4： 3x3的池化层后接1x1的卷积层，激活函数为relu，padding为same
		self.p4_1 = tf.keras.layers.Maxpool2D(pool_size=3,padding=‘same‘,strides=1)
		self.p4_2 = tf.keras.layers.Conv2D(c4,kernel_size=1,activition=‘relu‘,padding=‘same‘,)
	# 完成前向传播
	def call(self,x):
		# 线路1
		p1 = self.p1_1(x)
		# 线路2
		p2 = self.P2_2(self.p2_1(x))
		# 线路3
		p3 = self.p3_2(self.p3_1(x))
		# 线路4
		p4 = selg.p4_2(self.p4_1(x))
		return tf.concat([p1,p2,p3,p4],axis=-1)# axis -1  选择最后一个维度
		

指定通道数，对Inception模块进行实例化：

Inception(64, (96, 128), (16, 32), 32)

3.GoogLeNet模型

GoogLeNet主要由Inception模块构成，如下图所示：

整个网络架构我们分为五个模块，每个模块之间使用步幅为2的3×3最大池化层来减小输出高宽

googLeNet的网络设计

深度学习|GoogLeNet

标签：http   googl   提升   png   通过   通道   port   实例化   维度   

原文地址：https://www.cnblogs.com/hzzhu/p/14805886.html