深度学习Inception

Inception的发展经历了4个版本,不太了解的童鞋可以参考:Short history of the Inception deep learning architecture

第一次学习GoogLeNet网络架构就深深被Inception的设计所吸引(如下图右),摸索着学习了部分设计灵感。

  

Inception V1的原始设计如下图(左)所示。

  灵感:减少人工调整每个卷积窗口的大小&加深网络,是不是可以在同一层中具备不同大小的卷积(1*1,3*3,5*5,3*3池化)学习到输入图像的稀疏/不稀疏特征?

GoogleLeNet中的使用了许多Inception V1 network, 架构参数减少了许多

Inception V1

  启发:

  1.最后阶段的full connection layer不是必须的,global average pooling可代替FC层减少over fitting risk。

  2.Inception v1通过DepthConcat将多类型卷积输出的feature block合成,获得非线性属性。不用像传统的卷积层后面通过增加激活函数/pooling层增加非线性。

  

Inception V2:

  主要关于因子分解(传统的7*7卷积,可以分解为三个3*3尺寸的卷积)

Inception V3:

  Inception V2变体+Batch Normalize辅助

Inception V4:

  标准化,高可用性设计(Inception-A/B/C),详细参考 paer: Inception-v4, Inception-ResNet and the Impact of Residual Connections on Learning

  

Inception-ResNet:

  Inception和ResNet的结合体

  灵感:ResNet的跳跃连接使得CNN输入信息传递更深,构建更深的网络,加速网络收敛。

  启发:多架构融合和标准化的趋势

  

原文地址:https://www.cnblogs.com/AngelaSunny/p/8459737.html

时间: 2024-10-14 13:22:14

深度学习Inception的相关文章

深度学习面试题29:GoogLeNet(Inception V3)

目录 使用非对称卷积分解大filters 重新设计pooling层 辅助构造器 使用标签平滑 参考资料 在<深度学习面试题20:GoogLeNet(Inception V1)>和<深度学习面试题26:GoogLeNet(Inception V2)>中对前两个Inception版本做了介绍,下面主要阐述V3版本的创新点 使用非对称卷积分解大filters InceptionV3中在网络较深的位置使用了非对称卷积,他的好处是在不降低模型效果的前提下,缩减模型的参数规模,在<深度学

深度学习面试题20:GoogLeNet(Inception V1)

目录 简介 网络结构 对应代码 网络说明 参考资料 简介 2014年,GoogLeNet和VGG是当年ImageNet挑战赛(ILSVRC14)的双雄,GoogLeNet获得了第一名.VGG获得了第二名,这两类模型结构的共同特点是层次更深了.VGG继承了LeNet以及AlexNet的一些框架结构,而GoogLeNet则做了更加大胆的网络结构尝试,虽然深度只有22层,但大小却比AlexNet和VGG小很多,GoogleNet参数为500万个,AlexNet参数个数是GoogleNet的12倍,VG

TensorFlow【机器学习】:如何正确的掌握Google深度学习框架TensorFlow(第二代分布式机器学习系统)?

本文标签:   机器学习 TensorFlow Google深度学习框架 分布式机器学习 唐源 VGG REST   服务器 自 2015 年底开源到如今更快.更灵活.更方便的 1.0 版本正式发布,由 Google 推出的第二代分布式机器学习系统 TensorFlow一直在为我们带来惊喜,一方面是技术层面持续的迭代演进,从分布式版本.服务框架 TensorFlow Serving.上层封装 TF.Learn 到 Windows 支持.JIT 编译器 XLA.动态计算图框架 Fold 等,以及

基于深度学习的目标检测研究进展

前言 开始本文内容之前,我们先来看一下上边左侧的这张图,从图中你看到了什么物体?他们在什么位置?这还不简单,图中有一个猫和一个人,具体的位置就是上图右侧图像两个边框(bounding-box)所在的位置.其实刚刚的这个过程就是目标检测,目标检测就是"给定一张图像或者视频帧,找出其中所有目标的位置,并给出每个目标的具体类别". 目标检测对于人来说是再简单不过的任务,但是对于计算机来说,它看到的是一些值为0~255的数组,因而很难直接得到图像中有人或者猫这种高层语义概念,也不清楚目标出现在

(转) TensorFlow深度学习,一篇文章就够了

TensorFlow深度学习,一篇文章就够了 2016/09/22 · IT技术 · TensorFlow, 深度学习 分享到:6 原文出处: 我爱计算机 (@tobe迪豪 ) 作者: 陈迪豪,就职小米科技,深度学习工程师,TensorFlow代码提交者. TensorFlow深度学习框架 Google不仅是大数据和云计算的领导者,在机器学习和深度学习上也有很好的实践和积累,在2015年年底开源了内部使用的深度学习框架TensorFlow. 与Caffe.Theano.Torch.MXNet等框

深度学习(五十五)tensorflow分布式训练

tensorflow分布式训练 博客:http://blog.csdn.net/hjimce 微博:黄锦池-hjimce   qq:1393852684 情况一.单机单卡 单机单卡是最普通的情况,当然也是最简单的,示例代码如下: #coding=utf-8 #单机单卡 #对于单机单卡,可以把参数和计算都定义再gpu上,不过如果参数模型比较大,显存不足等情况,就得放在cpu上 import tensorflow as tf with tf.device('/cpu:0'):#也可以放在gpu上 w

(转)深度学习前沿算法思想

深度学习前沿算法思想 本文转自: https://mp.weixin.qq.com/s?__biz=MzA5NDExMTAzNA==&mid=2649981646&idx=2&sn=8fe05eac5a5068efb65ca1602e5fd3a0&chksm=8854b69bbf233f8db5dbaa1ea8396d181c9a35e760ab3c1c4934b504f69fe92683972d78d327&mpshare=1&scene=2&sr

浅说深度学习

这篇文章写的挺科普挺好,所以就转载过来了 本文旨在提供直观简明的深度学习引导,涵盖深度学习的基本概念,而不涉及很多数学和理论细节.当然如果要做更深入的研究,数学肯定是必不可少的,但是本系列主要还是用图片和类比等方式,帮助初学者快速建立大局观. 核心概念 机器学习(Machine Learning) 在机器学习中,我们(1)读取数据,(2)训练模型,(3)使用模型对新数据做预测.训练可以看作是当模型拿到新数据的时候.逐步学习一个的过程.在每一步,模型做出预测并且得到准确度的反馈.反馈的形式即是某种

搜狗大数据总监、Polarr 联合创始人关于深度学习的分享交流

架构师小组交流会:每期选择一个时下最热门的技术话题进行实践经验分享. 邀请到了 Polarr 联合创始人宫恩浩.搜狗大数据总监高君.七牛云 AI 实验室负责人彭垚,对深度学习框架选型.未来趋势展开了交流. 自由交流 Polarr 宫恩浩 我是宫恩浩,现在在斯坦福在读,主要做深度学习研究,特别是医学影像相关的研究.同时也在一家创业公司,国内叫泼辣修图,在美国是 Polarr,做图片的大数据,有云端的,也有手机端的,PC 端的.我们的 App 收集数据,建立优化的算法,我们在云端提供图片整理.图片选