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。
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
最低0.47元/天 解锁文章
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
