卷积神经网络（二）深度卷积网络：实例探究

1、经典网络：

（1）LeNet-5：识别手写数字

（2）AlexNet：

（3）VGG-16：

2、Residual networks（ResNets 残差网络）：

（1）Residual block（残差块）：

多个残差块构成一个残差网络：

（2）残差网络的优势：

理论上，随着神经网络的深入，训练误差会越来越小，但实际上，层数越多训练的难度越大，因此层数过多误差也会增大. 但残差网络适用于深层的神经网络，误差随着层数的增多而减小.

（3）为什么残差网络性能更好？

3、网络中的网络和1*1卷积：

（1）作用：

对于二维效果不佳，仅仅是矩阵乘数字：

对于三维，实现了多个通道乘积再求和的功能：

（2）应用：压缩 n_C

使用32个1*1卷积，将192通道压缩为32通道.

4、Inception网络：

（1）作用：决定过滤器的大小.

（2）Inception块：

将各个可能使用的过滤器合并，让系统自行学习并选择合适的过滤器.

以28*28*32块为例，说明 computational cost 问题：

乘法计算次数：28*28*32*5*5*192 ≈ 120 Million

而使用了1*1卷积压缩后：中间的层成为“bottleneck layer”，即瓶颈层.

乘法计算次数：2*28*16*192 + 28*28*32*5*5*16 ≈ 2.4 Million + 10.0 Million = 12.4 Million

（3）Inception模块：

组成Inception网络：

原文地址：https://www.cnblogs.com/orangecyh/p/11868402.html