深度神經網絡Google Inception Net-V3結構圖

前言

Google Inception Net在2014年的 ImageNet Large Scale Visual Recognition Competition (ILSVRC)中取得第一名，該網絡以結構上的創新取勝，通過采用全局平均池化層取代全連接層，極大的降低了參數量，是非常實用的模型，一般稱該網絡模型為Inception V1。隨后的Inception V2中，引入了Batch Normalization方法，加快了訓練的收斂速度。在Inception V3模型中，通過將二維卷積層拆分成兩個一維卷積層，不僅降低了參數數量，同時減輕了過擬合現象。

一、多少層？

Inception V3究竟有多少層呢？某書籍上說42層，某書籍上說46層。參考實現的源代碼，仔細數一數，應該是47層。

 

層次結構圖.png

5(前面)+
3(block1_module1)+3(block1_module2)+3(block1_module3)+
3(block2_module1)+5(block2_module2)+5(block2_module3)+5(block2_module4)+5(block2_module5)+
4(block3_module1)+3(block3_module2)+3(block3_module3)
= 47層

Tips：上面的這張層次結構圖出現在某些帖子和書籍中，根據實現的源碼，標注的紅色方框處應該是5個卷積層，而不是4個。

二、詳細網絡結構

詳細的網絡結構及其子網絡結構如下。

 

總體結構圖 .png

 

block1_module1.png

 

block1_module2.png

 

block1_module3.png

 

block2_module1.png

 

block2_module2.png

 

block2_module3,4.png

 

block2_module5.png

 

block3_module1.png

 

block3_module2.png

 

block3_module3.png

這么復雜精巧的網絡結構是怎么設計出來的呢？是不斷的進行數值實驗嗎？
還是靠愛... ...