12.10深度学习_经典神经网络_GoogleNet自我理解

为了更清晰地展示 GoogLeNet 中每个卷积层及其相关参数，我们可以将这些信息整理成表格形式。这不仅有助于理解每一层的输入和输出尺寸，还能直观地看到卷积核的数量、大小、步长以及填充方式等关键参数。以下是 GoogLeNet 前几层（包括两个卷积层和两个最大池化层，以及第一个 Inception 模块）的详细参数表。

GoogLeNet 卷积层参数表

层名称	类型	输入尺寸	输出尺寸	卷积核尺寸	步长	填充	输入通道数 (Channel)	输出通道数 (Num)	备注
conv1	Conv2d	224x224x3	112x112x64	7x7	2	3	3	64	第一个卷积层，使用7x7的大卷积核，步长为2，填充为3，输出64个通道
maxpool1	MaxPooling2d	112x112x64	56x56x64	3x3	2	1	-	-	第一个最大池化层，使用3x3的池化核，步长为2，填充为1
conv2	Conv2d	56x56x64	56x56x192	3x3	1	1	64	192	第二个卷积层，使用3x3的卷积核，步长为1，填充为1，输出192个通道
maxpool2	MaxPooling2d	56x56x192	28x28x192	3x3	2	1	-	-	第二个最大池化层，使用3x3的池化核，步长为2，填充为1
inception3a	Inception Module	28x28x192	28x28x256	多个卷积核	1	1	192	256	第一个Inception模块，包含多个分支，最终输出256个通道

Inception 模块 (inception3a) 详细参数

分支	类型	输入尺寸	输出尺寸	卷积核尺寸	步长	填充	输入通道数 (Channel)	输出通道数 (Num)	备注
branch1	Conv2d + ReLU	28x28x192	28x28x64	1x1	1	0	192	64	使用1x1的卷积核进行降维，输出64个通道
branch2	Conv2d + ReLU + Conv2d + ReLU	28x28x192	28x28x128	1x1, 3x3	1, 1	0, 1	192	96	1x1卷积核降维至96个通道，再通过3x3卷积核扩展到128个通道
branch3	Conv2d + ReLU + Conv2d + ReLU	28x28x192	28x28x32	1x1, 5x5	1, 1	0, 2	192	16	1x1卷积核降维至16个通道，再通过5x5卷积核扩展到32个通道
branch4	MaxPooling2d + Conv2d + ReLU	28x28x192	28x28x32	3x3, 1x1	1, 1	1, 0	-	-	3x3最大池化后，通过1x1卷积核降维至32个通道

表格解释

• 层名称：表示该层在 GoogLeNet 中的具体位置或名称。
• 类型：指明该层是卷积层（Conv2d）、最大池化层（MaxPooling2d）还是 Inception 模块。
• 输入尺寸：表示该层接收的输入特征图的尺寸，格式为 高度x宽度x通道数。
• 输出尺寸：表示该层产生的输出特征图的尺寸，格式为 高度x宽度x通道数。
• 卷积核尺寸：对于卷积层，表示使用的卷积核的尺寸；对于 Inception 模块，表示该模块内不同分支使用的卷积核尺寸。