深度学习之Inception模型结构全解析

本文详细介绍了Inception模型的发展,从CNN演变史开始,涵盖Inception v1到v4的主要特点和改进。Inception模型通过1x1卷积核、Batch Normalization以及Inception模块,解决了网络深度带来的问题,如参数过多和梯度消失。Inception v1引入全局平均池化层替代全连接层,v2加入BN层加速收敛,v3采用分解策略增加网络非线性,v4则探索了与ResNet的结合。

CNN演变史

转载:系统学习深度学习(二十二)–CNN经典模型总结
卷积神经网络从Alexnet以来突破的方向就是增加网络深度和宽度的同时减少参数,但网络深度的提升会带来参数的急剧增加,会产生过拟合,计算复杂度越高;另一方面,网络越深,梯度越往后穿越容易消失(梯度弥散),难以训练和优化模型;Inception就是在这样的情况下应运而生。
在这里插入图片描述
Inception模型优势:

  • 采用了NIN网络提出的1x1卷积核,性价比高,用很少的计算量既可以增加一层的特征变换和非线性变换。
  • 提出Batch Normalization,通过一定的手段,把每层神经元的输入值分布拉到均值0方差1的正态分布,使其落入激活函数的敏感区,避免梯度消失,加快收敛。
  • 引入Inception module,4个分支结合的结构,每个分支采用1x1的卷积核。
  • 去除了最后的全连接层,改用全局平均池化层来代替(图像尺寸变为1x1),即大大减少计算量。

一、Inception v1模型

Inception v1模型去除了最后的全连接层,使用NIN网络的全局平均池化层来代替,最主要的改变是增加 1 ∗ 1 1*1

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值