二、Inception V3一个最重要的改进是分解（Factorization），将7x7分解成两个一维的卷积（1x7,7x1），3x3也是一样（1x3,3x1）。这样的好处，既可以加速计算（多余的计算能力可以用来加深网络），又可以将1个conv拆成2个conv，使得网络深度进一步增加，增加了网络的非线性，可以处理更多更丰富的空间特征，增加特征多样性。还有值得注意的地方是网络输入从224x224变为了299x299，更加精细设计了35x35/17x17/8x8的模块。

三、Inception V4结合了微软的ResNet，发现ResNet的结构可以极大地加速训练，同时性能也有提升，得到一个Inception-ResNet V2网络，同时还设计了一个更深更优化的Inception V4模型，能达到与Inception-ResNet V2相媲美的性能。

[1] Inception V1 , Going Deeper withConvolutions.

[2] Inception V2 , Batch Normalization:Accelerating Deep Network Training by Reducing Internal Covariate Shift.

[3] Inception V3 ,Rethinking theInception Architecture for Computer Vision.

[4] Inception V4 , Inception-v4,Inception-ResNet and the Impact of Residual Connections on Learning.

[5] 深度学习经典卷积神经网络之GoogLeNet .

分享给小伙伴们：

本文标签： Keras，GoogLeNet/">Keras，GoogLeNet

相关文章

发表评论愿您的每句评论，都能给大家的生活添色彩，带来共鸣，带来思索，带来快乐。