GoogLeNetV1,V2,V3

墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 300+累计阅读 336平均单平台已同步平台优快云微信公众号微博知乎掘金百家号博客园抖音小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网我也要 → 码龄10年

关注

转载最新推荐文章于 2025-09-11 15:27:19 发布 336 阅读 AI 写同款· GEO 优化 ›

深度学习图像分类网络(二)：GoogLeNet（V1-V4）模型搭建解读（附代码实现） GoogLeNetV1-V4的模型结构都不是很简洁，参数设置上也没有什么规律可循，都是他们从大量实验中证明得到的。整体架构但是不难理解，都是重复的模块进行堆叠，所以理解了每一块的作用，整体来看就很简单。希望大家保持头脑清醒，否则觉得这一块的东西很混乱。V1、V2目前很少使用，V3、V4是使用最多的，本文主要讲解GoogLeNet - V4。正式介绍V4之前，一起回顾GoogLeNet V1-V3。阅读详情

GoogLeNetV1,V2,V3

博客转载自：https://blog.youkuaiyun.com/app_12062011/article/details/62216987

收录于

深度学习笔记

当前文章被收录于：

深度学习笔记

13 篇文章 2 人学习

订阅专栏查看详情

当前文章被以下社区和专栏收录：

标签

#GoogLeNet

图像分类（AlexNet、Vgg、GoogLeNetV1-V3） 1、预备知识 ①卷积操作（卷积核其实是一个立方体，64*64*3通过100个3*3的卷积核得到64*64*100，再通过一个3*3的卷积得到64*64*1，这里padding=1，stride=1卷积后图像长宽不变）我想表达的是，卷积核的默认维度是输入图像的通道数。 ②池化操作（降维） 2、AlexNet网络 ①5个卷积层+3个全连接层（5个卷积跟5个激活） ②ReLu非线性激活 ... 阅读详情

相关推荐

Googlenet inception v1网络结构详解

总结了很多牛人的知识，解释了自己的很多疑点。

GoogLeNet(V1)

本文介绍了GoogLeNet，GoogLeNet的设计参考了NiNNet的思路，GoogLeNet最具创新点的就是提出了Inception结构，使用多个不同大小的卷积核和池化操作，来提取不同尺度的特征。并且跟单3×3或5×5卷积层比，Inception块有更少的参数个数和计算复杂度。

m0_56312629的博客 496

tensorflow实现GoogLeNet-InceptionV1

GoogLeNet Inception v1 结构及 pytorch、tensorflow、keras、paddle实现ImageNet识别环境 python3.6，tensorflow-gpu 1.12.0 代码 # -*- coding: utf-8 -*- # @Time : 2020/2/3 9:56 # @Author : Zhao HL # @File : InceptionV1-tensorflow.py import sys, cv2, os import numpy as np import pandas as pd from PIL import Image impo

【深度学习经典网络架构—4】：GoogLeNet（Incepetion系列V1、V2、V3）

之前我们说VGG拿到了ImageNet挑战赛（ILSVRC2014）分类项目的亚军，冠军就是谷歌提出的GoogLeNet，而**Inception模型是GoogLeNet的核心**。要想提高网络性能，常用方法就是提高神经网络的深度与宽度，但这也会带来两个问题

王乐予的博客 6782

从贝塞尔曲线到FFD变形

贝塞尔曲线的性质到FFD变形与Hermite曲线通过始末两点和亮点的方向来绘制曲线不同，贝塞尔样条曲线是通过多个关键控制点构成曲线，曲线有如下良好的性质，这些性质决定了FFD最终使用贝塞尔样条曲线而非Hermite曲线。对于给定关键点的贝塞尔曲线，曲线穿过最开始和最后的关键点曲线的大致趋势与关键点相契合曲线在关键点的包围之中，不会伸出到关键点以外现提出两个问题：为什么说这样的性质很契合FFD

雨诺寒雪的博客 2149

vos如何对接okcc（保姆级教程）

1.添加账户点击系统->账户管理 [图片] 2.创建费率系统->费率管理点击添加

qq_46333281的博客 3453

GoogLeNet Inception v1 结构及 pytorch、tensorflow、keras、paddle实现UC Merced Land Use Dataset识别

背景 GoogLeNet是谷歌在imageNet上的ILSVRC 2014大赛冠军方案，论文“Going deeper with convolutions”网络主要部分有Inception模块组成，v1版本的核心思想是通过多个并行的稀疏结构代替密集结构，从而在扩大特征范围的同时减少计算量，同时使用1*1卷积再次减少卷积时的计算量。同时，在网络中间层增加了两个Loss，用来减弱梯度回传消失的情况。...

DL_GIS 1396

ArcGIS基础：CAD数据转换为GIS数据（符号化显示、数据转换、线转面、空间连接）

1、符号化显示： CAD数据加载进来有很多列表，包含了点【point】、线【polyline】、面【polygon】、标注数据【Annotation】等数据，本次实验我们需要用到的是面数据，也就是.dwgPolygong格式的数据。如下图所示：把数据加载进来，然后在2处打开属性表，查看CAD数据的属性表，打开后可以发现【layer】图层表示就是地块的用地性质，它就是符号化显示的依据。我们在数据上右键【属性】，打开图层属性，找到【符号系统】，选择类别中的【唯一值】，然后在【值字段】下拉选择【layer】，

yuanYW7556的博客 2万+

GoogLeNet （Inception）v1论文笔记

提出了inception结构，旨在提升网络内的计算资源利用率。可以在计算开销不变的情况下增加网络的深度和宽度。decisions were based on 赫布法则和对于multi-scale 处理的直觉。multi-scale：用多种尺度的卷积核并行处理，之后汇总1.稀疏性很重要。2.可以学习Inception的稀疏结构，通过横向增加层来增加宽度，适应现代硬件的并行计算的特性。3.在设计模型的时候要注重计算复杂度和内存占用，除了提升精度之外还要注重模型在真实场景的可用性。

qq_52038588的博客 841

Centos7安装NVIDIA驱动并在docker容器中使用GPU

运维giao的博客 2084

快速入门必看！RT-DETR手把手训练自己的数据集去跑实验，基于 ultralytics 仓库源码改进，配置虚拟环境，准备数据集、训练、验证、推理测试，实现0到1的完整教学过程。

本文介绍了使用Ultralytics框架训练RT-DETR模型的全流程。首先需要创建Python 3.10虚拟环境，安装指定版本的PyTorch和相关依赖包。然后准备数据集，修改配置文件，并详细介绍训练、验证和推理三个核心步骤的代码实现。训练阶段使用RTDETR类加载模型配置，设置训练参数；验证阶段评估模型性能；推理阶段可对图片、视频等进行预测。文中还提供了清华大学镜像源加速下载，以及详细的参数配置说明，帮助用户快速搭建RT-DETR目标检测模型。

Ai缝合怪、助力小伙伴高效发论文 5542

系统学习深度学习（十九）--GoogLeNetV1,V2,V3

转自：http://blog.youkuaiyun.com/shuzfan/article/details/50738394 参考：http://www.jianshu.com/p/33197e469414 同时做了一些补充。本文介绍的是著名的网络结构GoogLeNet及其延伸版本，目的是试图领会其中的思想而不是单纯关注结构。 GoogLeNet Incepetion V1 这是GoogLeNet...

工作笔记 2万+

【局部规划模块曲线算法】曲线平滑介绍

本文先对轨迹平滑问题做个简单的介绍，具体内容后续再更，其他模块可以参考去我其他文章提示：以下是本篇文章正文内容（1）适合给移动机器人运动的路径【满足运动学，高阶平滑】（2）高阶的运动学不能够突变的【至少三阶的加速度不能突变，最好四阶的jerk和五阶的snap也不能突变】（3）在转弯的地方不会停下来（4）加减速均衡，节省能量（5）节省时间的。

qq_35635374的博客 5714

基于卷积的图像分类识别（四）：GoogLeNet (V1~V4 & Xception)

在2014年的ImageNet挑战赛（ILSVRC14）上，GoogLeNet模型和VGG模型成为了当年的双雄。GoogLeNet获得了图片分类大赛的第一名，VGG紧随其后。这两种模型的共同特点是网络深度更深。VGG是基于LeNet和AlexNet的一些框架结构，而GoogLeNet则采用了更加大胆的网络结构。GoogLeNet仅有22层，它的尺寸比AlexNet和VGG要小得多。是AlexNet是1/12. 效果却更好。

极光喵的博客 2640

动网格-网格重构之铺层（三）

运动区域可以是边界区域 (Boundary Zone)，也可以是单元区域 ( Cell Zone)。指定了体网格再生方法后，FLUENT自动地根据运动区域(dynamic zones)的运动来调整内部节点以再生体网格。必须保留至少一层网格。(4)如果边面的法向和运动方向偏角较大，生成的网格扭斜度会比较大铺层算法不适用于边界形状变化较大的情况。(1)体网格再生方法的选择(Smoothing，Layering，Remeshing);(2)适用网格种类:四边形、六面体、三棱柱(网格的分布要服从一定的规则)。

weixin_44386973的博客 2093

OV9734 DATASHEET，完整规格书

OV9734完整规格书，包括电气参数，尺寸规格，寄存器配置表等

keras搬砖系列-GoogLeNetV4与inception-ResNetV1，V2

keras搬砖系列-GoogLeNetV4与inception-ResNetV1，V21，在inception v3的基础上发明了inception V4，V4比V3更加复杂2，结合了ResNet与GoogleNet，发现了Inception-ResNet-v1，Inception-Resnet-v2，其中Inception-ResNet-v2效果很好，但相比ResNet，Inception-Re...

Cutepingping的博客 7132

数学建模模型总结

这是本人在两年内准备参加数学建模竞赛搜集到的模型资料，已经经过了本人的筛选和整理，希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助！

Hello GoogLeNetV3

提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档文章目录前言一、pandas是什么？二、使用步骤1.引入库2.读入数据总结前言提示：这里可以添加本文要记录的大概内容：例如：随着人工智能的不断发展，机器学习这门技术也越来越重要，很多人都开启了学习机器学习，本文就介绍了机器学习的基础内容。提示：以下是本篇文章正文内容，下面案例可供参考一、pandas是什么？示例：pandas 是基于NumPy 的一种工具，该工具是为了解决数据分析任务而创建的。二、使用步骤 1.引入库代码

__不想写代码__的博客 814

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用，资源的后缀为tar.gz格式的压缩包

visio安装包

Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表，创建专业级图表以简化复杂的信息。

GoogleNetV1~V3

Inception v1的网络，主要提出了Inceptionmodule结构（1*1，3*3，5*5的conv和3*3的pooling组合在一起），最大的亮点就是从NIN（Network in Network）中引入了1*1 conv，结构如下图所示，代表作GoogleNet 假设previous layer的大小为28*28*192，则， a的weights大小，1*1*192*64+3*3*192*128+5*5*192*32=387072 a的输出featuremap大小，28*28*64+

like_study_cat的博客 355

GoogleNetV3详细结构图及其keras实现

目录 GoogleNetV3结构图 Keras完整代码 GoogleNetV3结构图该结构图是由Google论文中给出的表格细化而来，程序是自己编写的，Injection层的输出shape与论文中给出的由细微差别，如有错漏请多多指教。上图为论文中给出的结构表格，下图是keras.plot生成的详细结构： Keras完整代码：将想要进行训练的图片放在...

yao1249736473的博客 1920

3_GoogLeNetV1

Going deeper with convolutions 更深的卷积网络简介 Inception v1-GoogLeNet（论文阅读总结） - 知乎 (zhihu.com) 开启多尺度卷积时代拉开1*1卷积广泛应用序幕为GoogLeNet系列开辟道路 GoogLeNet结构 Inception Module 特点: 1．多尺度 2.1*1卷积降维，信息融合 3.3*3 max pooling保留了特征图数量 3*3 pool可让特征图通道数增加,且用较少计算量缺点: 数

Code_Haruka的博客 232

GoogLeNetV1,V2系列讲解

本文介绍的是著名的网络结构GoogLeNet及其延伸版本，目的是试图领会其中的思想而不是单纯关注结构。 GoogLeNet Incepetion V1 Motivation Architectural Details GoogLeNet Conclusion GoogLeNet Inception V2 Introduction General Design P...

comway_Li的博客 1341

经典论文之GoogLeNet v2

GoogLeNet v2 原论文：Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift 通过BN算法解决内部协变量移位问题（Internal Covariate Shift），代入GoogLeNet v1验证，形成GoogLeNet v2。主要思想在于第3节，结构在附录。 3 Normalization via Mini-Batch Statistics 通过小批量统计进行归

阿基美德的博客 557

Googlenet v1、v2、v3、v4区别

Googlenet v1、v2、v3、v4区别Inception v1的网络，将1x1，3x3，5x5的conv和3x3的pooling，stack在一起，一方面增加了网络的width，另一方面增加了网络对尺度的适应性；v2的网络在v1的基础上，进行了改进，一方面了加入了BN层，减少了Internal Covariate Shift（内部neuron的数据分布发生变化），使每一层的输出都规范化到一...

Touch_Dream的博客 1916

【论文】GoogleNet V1+V2+V3+V4

写在前面 googlenet是由google团队在2014年在ilsvrc时提出的，并获得了多项冠军。googlenet v1[1]版本发表在CVPR2015上。由Hebbian principle 和多尺度Gabor滤波器提取特征[2]提出了inception模块。训练时通过辅助损失，模型达到了22层超过了vgg，但参数只有它的1/12，主要是减少在全连接层。 GoogleNet v1 Inception 通过多尺度卷积得到了更丰富的特征，同时在提出inception模块后，进行了改...