learning
/
DeepLearning-500-questions
mirror of https://github.com/scutan90/DeepLearning-500-questions.git
1
0
Fork 0
Code Issues Packages Projects Releases Wiki Activity

追加图片 

inception images
This commit is contained in:
CoderOverflow 2019-04-03 11:03:04 +08:00 committed by GitHub
parent ae6a3e82ad
commit ec7b13692c
No known key found for this signature in database
GPG Key ID: 4AEE18F83AFDEB23
1 changed files with 10 additions and 4 deletions
Show Stats Download Patch File Download Diff File Expand all files Collapse all files

14
ch04_经典网络/第四章_经典网络.md
View File

@ -226,14 +226,20 @@ Network In Network (NIN)是由$Min Lin$等人提出，在CIFAR-10和CIFAR-100分
GoogLeNet作为2014年ILSVRC在分类任务上的冠军，以6.65%的错误率力压VGGNet等模型，在分类的准确率上面相比过去两届冠军ZFNet和AlexNet都有很大的提升。从名字**GoogLe**Net可以知道这是来自谷歌工程师所设计的网络结构，而名字中Goog**LeNet**更是致敬了LeNet$^{[0]}$。GoogLeNet中最核心的部分是其内部子网络结构Inception，该结构灵感来源于NIN，至今已经经历了四次版本迭代（Inception$_{v1-4}$）。
![](./img/ch4/img_inception_01.png)
​ 图 4.8 Inception性能比较图
### 4.6.2 模型结构
![](./img/ch4/image25.jpeg)
​ 图 4.8 GoogLeNet网络结构图
​ 如图4.8中所示，GoogLeNet相比于以前的卷积神经网络结构，除了在深度上进行了延伸，还对网络的宽度进行了扩展，整个网络由许多块状子网络的堆叠而成，这个子网络构成了Inception结构。图4.9为Inception的四个版本：$Inception_{v1}$在同一层中采用不同的卷积核，并对卷积结果进行合并;$Inception_{v2}$组合不同卷积核的堆叠形式，并对卷积结果进行合并;$Inception_{v3}$则在$v_2$基础上进行深度组合的尝试;$Inception_{v4}​$结构相比于前面的版本更加复杂，子网络中嵌套着子网络。
​ 图 4.9 GoogLeNet网络结构图
​ 如图4.9中所示，GoogLeNet相比于以前的卷积神经网络结构，除了在深度上进行了延伸，还对网络的宽度进行了扩展，整个网络由许多块状子网络的堆叠而成，这个子网络构成了Inception结构。图4.9为Inception的四个版本：$Inception_{v1}$在同一层中采用不同的卷积核，并对卷积结果进行合并;$Inception_{v2}$组合不同卷积核的堆叠形式，并对卷积结果进行合并;$Inception_{v3}$则在$v_2$基础上进行深度组合的尝试;$Inception_{v4}​$结构相比于前面的版本更加复杂，子网络中嵌套着子网络。
![](./img/ch4/img_inception_02.png)
![](./img/ch4/img_inception_05.png)![](./img/ch4/img_inception_06.png)![](./img/ch4/img_inception_07.png)
![](./img/ch4/img_inception_03.png)![](./img/ch4/img_inception_04.png)
​ 图 4.10 Inception$_{v1-4}$结构图
![](./img/ch4/Inception_{v1}.jpeg)![](./img/ch4/Inception_{v2}.png)![](./img/ch4/Inception_{v3}.png)![](./img/ch4/Inception_{v4}.png)
​ 图 4.9 Inception$_{v1-4}$结构图
​ 表 4.6 GoogLeNet中Inception$_{v1}$网络参数配置
| 网络层 | 输入尺寸 | 核尺寸 | 输出尺寸 | 参数个数 |