【DL-CV】浅谈GoogLeNet（咕咕net）

MageekChiu 发布于2019-07-31 11:15 / 3416人阅读

摘要：靓文推荐以上介绍的就是最原始最开始的，也叫，年提出的。在经过多年的改进后也有几个延伸版本了如使用了的版本，借鉴了的版本，这里也不再细讲，只推荐几篇我认为比较好的靓文各层的详细设定及其延伸版本更多自寻

咕了一个多月后终于重新变成人，今天我们就来谈谈咕咕net（GoogLeNet）的结构，在下次咕咕（大表哥2）之前挣扎一下。

GoogLeNet初始的想法很简单，“大力出奇迹”，即通过增加网络的网络的尺寸（深度与宽度）来变强。这脑回路看上去没啥毛病，但是一用在原味版的cnn上问题就来了，尺寸的增加和全连接层的存在带来了巨量的参数，计算成本暴增的同时增加了过拟合的风险。为了解决这一麻烦贯彻“大力出奇迹”方针，新的网络结构被提了出来，而其中的精妙之处就是inception模块，用上该模块的GoogLeNet能更高效的利用计算资源，在相同的计算量下能提取到更多的特征，从而提升训练结果，下面就谈谈他。

Inception 模块

从图片来看inception模块就用不同尺寸的卷积核同时对输入进行卷积操作，外加一个池化操作，最后把各自的结果汇聚在一起作为总输出（暗示他们都有相同的尺寸）。与传统cnn的串联结构不同，inception模块使用了并行结构并且引入了不同尺寸的卷积核。关于为什么这种改变是好的，下面是一些参考解释：

直观感觉上，在多个尺度上同时进行卷积，能提取到不同尺度的特征，这是好的

（最主要的优点）以往为了打破网络对称性和提高学习能力，传统的网络都使用了随机稀疏连接。但是，计算机软硬件对非均匀稀疏数据的计算效率是很差的。那么存不存在既能保持网络结构的稀疏性，又能利用密集矩阵的高计算性能的方法呢？答案就在这个inception里，其实现将稀疏矩阵聚类为较为密集的子矩阵来提高计算性能。

再说下inception的一些设定：

卷积核尺寸使用1，3，5是为了方便对齐，只需padding分别为0，1，2；步长都取1 就能获得相同尺寸的输出以叠加

网络越到后面，特征越抽象，而且每个特征所涉及的感受野也更大了，因此随着层数的增加，3x3和5x5卷积（数量）的比例也要增加

降维操作

然而像上图一样直接投入使用，参数量和计算量还是很大的，为了进一步降低消耗，inception在 3x3 和 5x5 卷积前和池化后引进了 1x1 卷积进行数据降维（事先把数据深度下降），还能顺便增加网络深度。如下图红色区域。另：降维后还是需要经过激活函数

至于降维操作是否会造成数据丢失？就结果来看来不必担心，别人已经测试过了

GoogLeNet结构

既然最核心的inception模块讲完了，那就直接展示GoogLeNet的结构了，其大部分都是各种inception模块叠加而成的。

整个网络除了inception外最引人注目的就是中途露出的两个小尾巴了，那是两个辅助分类器。说实话这是GoogLeNet第二个精妙之处了。除了最终的分类结果外，中间节点的分类效果还是不错的，所以GoogLeNet干脆从中间拉了两条分类器出来，然他们按一个较小的权重（如0.3）加到最终的分类结果中，这样做好处有三：

相当于做了模型整合

给网络增加了反向传播的梯度信号，一定程度解决了深网络带来的梯度消失的问题

而且还提供了额外的正则化

喵啊喵啊

当然辅助分类器只用于训练阶段，在测试阶段是要去掉的

其他一些新奇之处就是网络的最后用了平均池化代替了全连接层，然而后面还是接了一个全连接层，这是方便其他人进行迁移学习的。

靓文推荐

以上介绍的就是最原始最开始的GoogLeNet，也叫GoogLeNet Incepetion V1，2014年提出的。在经过多年的改进后GoogLeNet也有几个延伸版本了如使用了BN的V2版本，借鉴了ResNet的V4版本，这里也不再细讲，只推荐几篇我认为比较好的靓文

GoogLeNet各层Inception的详细设定

GoogLeNet及其延伸版本

更多自寻

GPU云服务器云服务器 GoogLeNet 咕咕云咕咕云怎么样咕咕云好不好

文章版权归作者所有，未经允许请勿转载,若此文章存在违规行为，您可以联系管理员删除。

转载请注明本文地址：https://www.ucloud.cn/yun/44859.html

【DL-CV】浅谈GoogLeNet（咕咕net）

摘要：靓文推荐以上介绍的就是最原始最开始的，也叫，年提出的。在经过多年的改进后也有几个延伸版本了如使用了的版本，借鉴了的版本，这里也不再细讲，只推荐几篇我认为比较好的靓文各层的详细设定及其延伸版本更多自寻咕了一个多月后终于重新变成人，今天我们就来谈谈咕咕net（GoogLeNet）的结构，在下次咕咕（大表哥2）之前挣扎一下。 GoogLeNet初始的想法很简单，大力出奇迹，即通过增...

Donne 2019-06-26 18:38 评论0 收藏0
【DL-CV】更高级的参数更新/优化（二）

续【DL-CV】更高级的参数更新（一）【DL-CV】正则化，Dropout【DL-CV】浅谈GoogLeNet（咕咕net） Adagrad 全名 Adaptive gradient algorithm ，翻译过来就是适应梯度算法，该算法能根据梯度中偏导数的大小给不同的偏导数以不同的学习率，偏导数大（小）的给个小（大）的学习率，以此来减少参数更新时的摆动。其核心是引入一个参数对历次的梯度的平方...

jone5679 2019-06-26 18:34 评论0 收藏0