- 看b站up主霹雳吧啦Wz视频，所做笔记
- 视频链接：5.1 GoogLeNet网络详解_哔哩哔哩_bilibili
- GoogLeNet在2014年由Google团队提出，斩获当年ImageNet竞赛中Classification Task（分类任务）第一名
- GoogLNet中大写L是为了致敬LeNet
- 相比vgg来说，参数降低很多很多，但是大多数人还是选择vgg，因为它搭建起来比较方便
- 网络亮点：
- 引入Inception结构（融合不同尺度的特征信息）
- 使用1×1的卷积核进行将为以及映射处理
- 添加两个辅助分类器帮助训练
- 丢弃全连接层，使用平均池化层（大大减少模型参数）
- 网络详解
- Inception结构
- 并型结构，再上一层输出之后，将所得到的特征矩阵同时输入到四个分支当中进行处理，处理之后再将所得到的四个分支的特征矩阵按深度进行拼接，得到输出特征矩阵。
- 每个分支所用卷积核尺寸不同，最后一个分支是个3*3的最大下采样
- 注意：每个分支所得到的特征矩阵高和宽必须相同
- Inception结构+降维
- 多了3个1*1的卷积层，都是起到降维作用
- 降维解释
- 可以看出，远远降低了参数量
- 辅助分类器-可以防止梯度爆炸和梯度消失
- 第一层，是平均池化下采样操作，池化核大小5*5，步距为3
- 计算公式
- 第二层，卷积层，卷积核大小为1*1，卷积核个数128，用于将低纬度，并使用relu激活函数
- 第三层，全连接层，接顶点个数为1024，同样使用relu激活函数
- 三四层之间使用dropout函数，以70%比例失活神经元
- 第四层同样为输出层，节点个数为1000
- 最后使用softmax激活函数得到概率分布
- 第一层，是平均池化下采样操作，池化核大小5*5，步距为3
- 参数列表
- 网络结构简图
- Inception结构