深度理解cnn 网络

现在inception系列有四篇文章：

转载自：http://www.jianshu.com/p/329d2c0cfca9

[v1] Going Deeper with Convolutions, 6.67% test error https://arxiv.org/abs/1409.4842

[v2] Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift, 4.8% test error,

https://arxiv.org/abs/1502.03167

[v3] Rethinking the Inception Architecture for Computer Vision, 3.5% test error, https://arxiv.org/abs/1512.00567

[v4] Inception-v4, Inception-ResNet and the Impact of Residual Connections on Learning, 3.08% test error, https://arxiv.org/abs/1602.07261

大体思路变化就是：

• 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，（BN层的作用）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个N(0, 1)的高斯，另外一方面学习VGG用2个3x3的conv替代inception模块中的5x5，既降低了参数数量，也加速计算；
• 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，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
• v4研究了Inception模块结合Residual Connection能不能有改进？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。

本篇文章中我们重点介绍v4

v4 有两个版本：Inception-ResNet-v1 和 Inception-ResNet-v2

Inception-ResNet-v1：roughly the computational costof Inception-v3 与v3 差不多的计算量

Inception-ResNet-v2” matches the raw cost of the newly introduced Inception-v4 network 应该是Inception-ResNet-v2 计算量更小一点

总的网络结构：

inception v4 与v3 的输入尺寸是一致的299

经过stem 的操作之后输出变成 35*35*384 的

stem 的操作为：