深度学习-解读GoogleNet深度学习网络

深度学习-解读GoogleNet深度学习网络

深度学习中，经典网络引领一波又一波的技术革命，从LetNet到当前最火的GPT所用的Transformer，它们把AI技术不断推向高潮。2012年AlexNet大放异彩，它把深度学习技术引领第一个高峰，打开人们的视野。

用pytorch构建CNN经典网络模型GoogleNet，又称为Inception V1 ，还可以用数据进行训练模型，得到一个优化的模型。

深度学习

深度学习-回顾经典AlexNet网络：山高我为峰-优快云博客

深度学习-CNN网络改进版LetNet5-优快云博客

深度学习-回顾CNN经典网络LetNet-优快云博客

GPT实战系列-如何用自己数据微调ChatGLM2模型训练_pytorch 训练chatglm2 模型-优快云博客

Caffe笔记：python图像识别与分类_python 怎么识别 caffe-优快云博客

深度学习-Pytorch同时使用Numpy和Tensors各自特效-优快云博客

深度学习-Pytorch运算的基本数据类型_pytorch支持的训练数据类型-优快云博客

深度学习-Pytorch如何保存和加载模型

深度学习-Pytorch如何构建和训练模型-优快云博客

深度学习-Pytorch数据集构造和分批加载-优快云博客

Python Faster R-CNN 安装配置记录_attributeerror: has no attribute 'smooth_l1_loss-优快云博客

经典算法-遗传算法的python实现

经典算法-模拟退火算法的python实现

经典算法-粒子群算法的python实现-优快云博客

GoogleNet概述

GoogLeNet是2014年Christian Szegedy提出的一种全新的深度学习结构，和VGGNet同一年诞生，获得2014年ILSVRC竞赛的第一名。

在这之前的AlexNet、VGG等结构都是通过增大网络的深度（层数）来获得更好的训练效果，但层数的增加会带来很多负作用，比如overfit、梯度消失、梯度爆炸等。

inception的提出则从另一种角度来提升训练结果：能更高效的利用计算资源，在相同的计算量下能提取到更多的特征，从而提升训练结果。

网络结构

Inception结构

inception结构的主要贡献有两个：

一是使用1x1的卷积来进行升降维；

二是在多个尺寸上同时进行卷积再聚合。

GoogleNet 的结构主要有Inception模块构成，主要有9个Incepion模块，和两个卷积模块构成。Inception也有2个改版。

结构描述

输入图像3通道分辨率：224x224x3

9层：图像输入后，5个卷积层，3个全连接层，1个输出层；

（1）C1：64个conv 7x7，stride=2–> MaxPool 3x3, stride=2 --> 输出 64个56x56；

（2）C2：192个conv 3x3, stride=2 --> MaxPool 3x3, stride=2 --> 输出 192个28x28；

（3）inception(3a) ：–> 输出 256个28x28；

（4）inception(3b) ：–> 输出 480个28x28；–> MaxPool 3x3, stride=2 --> 输出 480个14x14；

（5）inception(4a) ：–> 输出 512个14x14；

（6）inception(4b) ：–> 输出 512个14x14；

（7）inception(4c) ：–> 输出 512个14x14；

（8）inception(4d) ：–> 输出 528个14x14；

（9）inception(4e) ：–> 输出 832个14x14；–> MaxPool 3x3, stride=2 --> 输出 832个7x7；

（10）inception(5a) ：–> 输出 832个7x7；

（11）inception(5b) ：–> 输出 1024个7x7；–> AvgPool 7x1, stride=1 --> 输出 1024个1x1；

（12）Dropout（40%）:–> 输出 1024个1x1；

（13）linear --> 输出 1000个1x1；

（14）softmax --> 输出 1000个1x1；

整个GoogleNet 网络包含的参数数量表。

Pytorch实现

以下便是使用Pytorch实现的经典网络结构GoogleNet

class ConvReLU(nn.Module):
    def __init__(self, in_channels, out_channels, kernel_size, stride, padding):
        super().__init__()
        self.conv = nn.Sequential(
            nn.Conv2d(in_channels=in_channels, out_channels=out_channels, kernel_size=kernel_size, stride=stride, padding=padding, bias=True),
            nn.ReLU(inplace=True),
        )    
    def forward(self, x):
        return self.conv(x)
        
        
class InceptionModule(nn.Module):
    def __init__(self, in_channels, c1x1_out, c3x3_in, c3x3_out, c5x5_in, c5x5_out, pool_proj):
        super().__init__()
        self.branch1 = ConvReLU(in_channels=in_channels, out_channels=c1x1_out, kernel_size=1, stride=1, padding=0)
        self.branch2 = nn.Sequential(
            ConvReLU(in_channels=in_channels, out_channels=c3x3_in, kernel_size=1, stride=1, padding=0),
            ConvReLU(in_channels=c3x3_in, out_channels=c3x3_out, kernel_size=3, stride=1, padding=1)
        )
        self.bra