googlenet模型

GoogLeNet是一个深度卷积神经网络架构，首次在2014年由Google团队在ImageNet比赛中提出，并且以其成功而著称。它的主要特点包括：

1. Inception模块

• GoogLeNet引入了Inception模块，这是一种创新的层结构，允许网络在同一层中进行多种类型的卷积操作。这种模块包括不同大小的卷积核（如1x1、3x3、5x5）和池化层，使得网络能够提取多尺度的特征。
• 通过使用1x1卷积，网络不仅可以进行特征的维度减少，还可以增加网络的非线性能力。

2. 网络深度

• GoogLeNet有22层（不包括输入层和输出层），比之前的网络（如AlexNet和VGGNet）更深。网络的深度使其能学习更复杂的特征。

3. 使用全局平均池化

• 在GoogLeNet的输出层，使用全局平均池化（Global Average Pooling）代替全连接层。这种方式减少了参数数量，降低了过拟合的风险，同时还使得模型对输入图像的空间变形具有更好的适应性。

4. 参数效率

• GoogLeNet相对较少的参数数量（约1000万）使其在计算资源有限的情况下表现优越。相比于同类模型，它在准确率和效率之间取得了良好的平衡。

5. 多路径学习

• Inception模块的设计允许不同的路径同时学习，网络可以选择性地关注不同的特征，从而增强了特征提取的能力。