2016年8月31日，google團隊宣布針對tensorflow開源了最新釋出的tf-slim資料庫，它是一個可以定義、訓練和評估模型的輕量級的軟體包，也能對圖像分類領域中幾個主要有競争力的網絡進行檢驗和定義模型。
為了進一步推進這個領域的進步，今天google團隊宣布釋出inception-resnet-v2（一種卷積神經網絡——cnn），它在ilsvrc圖像分類基準測試中實作了當下最好的成績。inception-resnet-v2是早期inception v3模型變化而來，從微軟的殘差網絡（resnet）論文中得到了一些靈感。相關論文資訊可以參看我們的論文inception-v4, inception-resnet and the impact of residual connections on learning（inception-v4, inception-resnet以及殘差連接配接在學習上的影響）：
殘差連接配接（residual connections ）允許模型中存在shortcuts，可以讓研究學者成功地訓練更深的神經網絡（能夠獲得更好的表現），這樣也能明顯地簡化inception塊。将兩種模型架構對比，見下圖：
在第二幅inception-resnet-v2圖中最上部分，你能看到整個網絡擴充了。注意該網絡被認為比先前的inception v3還要深一些。在圖中主要部分重複的殘差區塊已經被壓縮了，是以整個網絡看起來更加直覺。另外注意到圖中inception區塊被簡化了，比先前的inception v3種要包含更少的并行塔 （parallel towers）。
如下方圖表所示，inception-resnet-v2架構的精确度比之前的最優模型更高，圖表中所示為基于單個圖像的ilsvrc 2012圖像分類标準得出的排行第一與排行第五的有效精确度。此外，該新模型僅僅要求兩倍于inception v3的容量與計算能力。
例如，盡管inception v3與inception-resnet-v2都很擅長識别每一條狗所屬的類别，這種新模型的性能更為顯著。例如，舊模型可能會錯誤地将右邊的圖檔識别為阿拉斯加雪橇犬，新模型inception-resnet-v2能夠準确地識别兩個圖檔中狗的類别。
阿拉斯加雪橇犬（左）和西伯利亞雪橇犬（右）。圖檔來源：維基百科。
為了使人們了解開始試驗，我們也将要釋出新型inception-resnet-v2預訓練執行個體，作為tf-slim 圖像模型庫的組成部分。
看到本研究領域關于這一經過改進的模型所取得的進展，而且人們開始采用這種新模型，并将其性能在多種任務作對比，我們為此感到非常興奮。你也想要開始使用這種新模型嗎？讓我們一起來看看附帶的操作訓示，學會如何訓練，評估或微調一個網絡。