本文分析了ResNeXt对ResNet的优化，尤其是在block设计上的变化，指出ResNeXt在保持计算量不变的情况下提高了精度。同时，作者讨论了分组卷积的概念，解释了其等价过程，并提到在特定深度（如32层以上）时，分组卷积可以显著提升模型性能。
今天看劈里啪啦wz的视频发现，之前的东西真的是学的一塌糊涂啊，好些后面困扰自己很久的东西都是先前就接触过的，但没上心全忘了，后面在那里一直纠结浪费时间。
ResNeXt是在resnet的基础上进行了改进，更改了block，ResNeXt和resnet相比（图片是展示了50、101）计算量相同，但top-1 top-5错误率更低。另外论文里写了：这种改进在3层残差也就是50层以上的结果才有提精度的效果，18、34这种残差块里只有两层的浅层网络没有提精度的效果。
在此之前先介绍一下分组卷积
a) 为什么等价 如下图所示：假设分2组，都用1*1的卷积核，图片那里有点问题没画开。
b) 图：先将a图那四个feature map进行拼接，得到下图左边的四通道feature map，也是1*1卷积4通道，画的有点问题。
经过实验证明32的精度最高。
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
