18、深度解析 Inception v3 与 ResNeXt：架构创新与性能提升

深度解析 Inception v3 与 ResNeXt：架构创新与性能提升

在深度学习领域，卷积神经网络（CNN）的架构不断演进，以追求更高的准确性和更低的计算成本。Inception v3 和 ResNeXt 就是这一演进过程中的重要里程碑，它们分别引入了独特的设计理念和技术，为图像分类等任务带来了显著的性能提升。

1. Inception v2 模块回顾

Inception v2 对 v1 进行了改进，主要体现在以下两个方面：
- 每个卷积层后都添加了批量归一化（Batch Normalization），有助于加速模型收敛和提高稳定性。
- 将 v1 中的 5×5 卷积替换为两个 3×3 卷积，这种分解减少了计算复杂度和表征瓶颈带来的信息损失。

以下是 Inception v2 模块的代码示例：

x1 = MaxPooling2D((3, 3), strides=(1,1), padding='same')(x)   
x1 = Conv2D(64, (1, 1), strides=(1, 1), padding='same')(x1)
x1 = BatchNormalization()(x1) 
x1 = ReLU()(x1)
x2 = Conv2D(64, (1, 1), strides=(1, 1), padding='same')(x)   
x2 = BatchNormalization()(x2)
x2 = ReLU()(x2)
x3 = Conv2D(64, (1, 1), strides=(1, 1), padding='same')(x)    
x3 =