什么是Inception以及GoogleNet结构

什么是盗梦空间和GoogleNet结构？针对这个问题，本文详细介绍了相应的分析和解答，希望能帮助更多想要解决这个问题的小伙伴找到更简单易行的方法。

GoogleNet是2014年ILSVRC的冠军模式。GoogleNet在互联网上做了更大胆的尝试，而不是像vgg一样继承leNet和alexnet的所有框架。虽然谷歌。net有22层，参数数量只有Alex的1/12。净。

网论文指出获得高质量模型最保险的做法就是增加模型的深度，或者是它的宽度,但总的来说，更深更广的网络会有以下问题：

参数太多，容易过度拟合。如果训练数据有限，这个问题会更加突出。网络越大，计算复杂度越大，难以应用。网络越深，梯度越有可能消失。简而言之，更大的网络容易产生过拟合，并且增加了计算量

【GoogleNet给出的解决方案】

把全连接层甚至一般卷积变成稀疏连接。为了保持神经网络结构的稀疏性，充分利用稠密矩阵的高计算性能，GoogleNet提出了一种称为Incident的模块化结构来实现这一目标。据大量文献都表明，将稀疏矩阵聚类为比较密集的子矩阵可以提高计算性能.(我不太懂这一块，是百度的知识，但关键是GoogleNet提出了great的模块化结构，2020年依然发挥很大作用。)

00-1010这是一个王中王结构，哦不，这是一个网络中的网络。即原节点也是一个网络，利用incident可以扩展这个网络结构的宽度和深度。从而提高性能。

解释：

使用不同大小的卷积核意味着不同大小的感受野，最后拼接意味着不同尺度特征的融合。卷积核使用1，3，5主要是为了方便。设置好卷积步距=1后，只需要分别设置Pad=0，1，2，这样卷积后就可以得到相同维度的特征，然后直接拼接在一起。文章中很多地方都说明了池化是非常有效的，所以这里也介绍一下。网络越晚，特征越抽象，每个特征设计的感受野也越大。因此，随着层数的增加，33和55卷积的比例增加(这将在后面看到)。使用5×5卷积核仍然会带来巨大的计算量。因此，本文借鉴NIN2，采用1×1卷积核降维。如何用1×1卷积核降维？假设有一个3x3x10的图片特征，长宽都是1，然后是通道，我喜欢称之为厚度10，我们想把维度缩小到5，我们该怎么办？首先我们需要找到一个1x1x10的卷积核，然后卷积的结果应该是一个3x3x1的特征图。我们可以找到这个的五个卷积核，经过五次卷积，得到的图片会做出一个3x3x5这样的特征图。当然，同样，1×1卷积核也可以用来提高维数。我们从网上找到了一张谷歌网的美图：

还有一个：

网络结构进度分析如下：

0，输入

原始输入图像为224x224x3，所有图像都经过零均值预处理(从图像的每个像素中减去平均值)。

1.第一层(卷积层)

使用7×7的卷积核(滑动步骤2，填充为3)，64个通道，输出为112x112x64。卷积后，执行ReLU运算。

3×3最大池化后(步长为2)，输出

为((112 – 3+1)/2)+1=56，即56x56x64，再进行ReLU操作

2、第二层（卷积层）

使用3×3的卷积核（滑动步长为1，padding为1），192通道，输出为56x56x192，卷积后进行ReLU操作

经过3×3的max pooling（步长为2），输出为((56 – 3+1)/2)+1=28，即28x28x192，再进行ReLU操作

3a、第三层（Inception 3a层）

分为四个分支，采用不同尺度的卷积核来进行处理

（1）64个1×1的卷积核，然后RuLU，输出28x28x64

（2）96个1×1的卷积核，作为3×3卷积核之前的降维，变成28x28x96，然后进行ReLU计算，再进行128个3×3的卷积（padding为1），输出28x28x128

（3）16个1×1的卷积核，作为5×5卷积核之前的降维，变成28x28x16，进行ReLU计算后，再进行32个5×5的卷积（padding为2），输出28x28x32

（4）pool层，使用3×3的核（padding为1），输出28x28x192，然后进行32个1×1的卷积，输出28x28x32。

将四个结果进行连接，对这四部分输出结果的第三维并联，即64+128+32+32=256，最终输出28x28x256

3b、第三层（Inception 3b层）

（1）128个1×1的卷积核，然后RuLU，输出28x28x128

（2）128个1×1的卷积核，作为3×3卷积核之前的降维，变成28x28x128，进行ReLU，再进行192个3×3的卷积（padding为1），输出28x28x192

（3）32个1×1的卷积核，作为5×5卷积核之前的降维，变成28x28x32，进行ReLU计算后，再进行96个5×5的卷积（padding为2），输出28x28x96

（4）pool层，使用3×3的核（padding为1），输出28x28x256，然后进行64个1×1的卷积，输出28x28x64。

将四个结果进行连接，对这四部分输出结果的第三维并联，即128+192+96+64=480，最终输出输出为28x28x480

第四层（4a,4b,4c,4d,4e）、第五层（5a,5b）……，与3a、3b类似，在此就不再重复。

到这里！我们看美图应该能看出来一点，GoogleNet的结构就是3+3+3总共九个inception模块组成的，每个Inception有两层，加上开头的3个卷积层和输出前的FC层，总共22层！然后每3层的inception之后都会有一个输出结果，这个网络一共有三个输出结果，这是什么情况呢？

这个是辅助分类器，GoogleNet用到了辅助分类器。因为除了最后一层的输出结果，中间节点的分类效果也可能是很好的，所以GoogleNet将中间的某一层作为输出，并以一个较小的权重加入到最终分类结果中。其实就是一种变相的模型融合，同时给网络增加了反向传播的梯度信号，也起到了一定的正则化的作用。

最后，我再提出两个问题：

1. 如果使用1×1进行特征压缩，是否会影响最终结果？回答：不会，作者的解释是，如果你想要把特征厚度从128变成256，你可以直接用3×3进行特征提取。如果你先用1×1进行压缩到64，然后再用3×3把64channel的特征扩展成256，其实对后续的精度没有影响，而且减少了运算次数。

2. 为什么inception是多个尺度上进行卷积再聚合？回答：直观上，多个尺度上同时卷积可以提取到不同尺度的特征。而这也意味着最后分类判断更加准确。除此之外，这是可以利用稀疏矩阵分解成密集矩阵计算的原理来加快收敛速度。（第二个好处没有太看懂） 个人浅显的理解就是：提取多个尺度的特征，再聚合的时候，就可以找到关联性强的特征，这样就能避免浪费在关联性较弱的特征上的计算力吧。

关于什么是Inception以及GoogleNet结构问题的解答就分享到这里了，希望