41、主流CNN架构解析与实践

主流CNN架构解析与实践

1. GoogLeNet架构

GoogLeNet在大规模图像识别任务中表现出色，其架构设计有诸多独特之处：
- 池化层加速计算 ：使用最大池化层将图像的高度和宽度缩小为原来的一半，以此加快计算速度。
- Inception模块堆叠 ：包含九个Inception模块的堆叠，并穿插几个最大池化层，用于降低维度和加速网络。
- 全局平均池化层 ：输出每个特征图的均值，去除剩余的空间信息。由于输入图像通常为224×224像素，经过5次最大池化层处理后，特征图尺寸变为7×7。该层的降维作用使得无需在CNN顶部设置多个全连接层，从而显著减少了网络参数数量，降低过拟合风险。
- 后续层 ：包括用于正则化的Dropout层、具有1000个单元的全连接层（因为有1000个类别）以及Softmax激活函数，用于输出估计的类别概率。

原始的GoogLeNet架构还在第三和第六个Inception模块顶部添加了两个辅助分类器，由一个平均池化层、一个卷积层、两个全连接层和一个Softmax激活层组成。训练时，它们的损失（缩小70%）会添加到总损失中，目的是解决梯度消失问题和正则化网络，但后来发现其效果相对较小。

Google研究人员后来提出了GoogLeNet的多个变体，如Inception - v3和Inception - v4，使用了略有不同的Inception模块，性能更优。

2. VGGNet架构

VGGNet在2014年的ILSVRC挑战