GoogLeNet之inception模块

• GoogLeNet最初的想法很简单： 若想得到更好的预测效果，就要增加网络的复杂度。可从两个角度出发：网络深度和网络宽度（不过深度相比宽度在增加网络的复杂性方面更加有效）。更复杂的网络会带来更大的计算资源消耗，而且当卷积核个数设计不合理导致卷积核中的参数没有被完全利用（多数权重都趋近于0）时，会导致大量计算资源的浪费。GoogLeNet引入inception模块来解决这个问题
• inception模块的作用： 代替人工确定卷积层中的卷积核大小或者确定是否需要创建卷积层和池化层。即不需要人为的决定使用哪个过滤器，是否需要池化层等，由网络自行决定这些参数，可以给网络添加所有可能值，将输出连接起来，网络自己学习它需要什么样的参数。因此可以使计算量大大减少，收敛更快。
• GoogLeNet的另外一个特点：主干网络全部使用卷积网络，仅在最终分类层使用全连接层
• GoogleNet获得了2014年比赛冠军，这个model证明了一件事：用更多的卷积，更深的层次可以得到更好的结构。（当然，它并没有证明浅的层次不能达到这样的效果）
• 参数量：500万

Inception 结构

Inception 结构借鉴了NIN网络的多层感知机卷积层

多层感知机 卷积层(1 x 1卷积)（Multilayer Perceptron ,缩写MLP）

• MLP卷积取代传统线性卷积核

• 重要作用：

  （1）1x1的卷积核操作还可以实现卷积核通道数的降维和升维，实现参数的减小化

  （2）多个1x1的卷积核，提高特征抽象能力

• 参考文章：

  GoogLeNet网络的综述

  极简解释inception V1 V2 V3 V4

  从GoogLeNet至Inception v3