目录

五、图像分类

5.1 AlexNet

5.2 VGG

5.3 GoogLeNet、Inception

5.3.1 Inception V1 

5.3.2 Inception V2

5.3.3 Inception V3 

5.3.4 Inception V4 

5.4 ResNet 残差网络

5.4.1 ResNet

5.4.2 ResNeXt

5.5 CNN设计准则

五、图像分类

5.1 AlexNet

 

5.2 VGG

 

5.3 GoogLeNet、Inception

5.3.1 Inception V1 

                全连接层参数过多，所以要改进 

         GAP：全局平均池化 

在梯度要消失的地方，再次传入

5.3.2 Inception V2

（1）训练时要将traning参数设置为True，在验证时将trainning参数设置为False。在pytorch中可通过创建 模型的model.train()和model.eval()方法控制。
（2）batch size尽可能设置大点，设置小后表现可能很糟糕，设置的越大求的均值和方差越接近整个训练集的均值和方差。
（3）一般将bn层放在卷积层（Conv）和激活层（例如Relu）之间，且卷积层不要使用偏置bias。

5.3.3 Inception V3 

 

5.3.4 Inception V4 

VGG是大多数的主干模型，Google的可扩展性相对差一点

5.4 ResNet 残差网络

5.4.1 ResNet

        优化：用1×1卷积先降维减少计算量，再升维和前面的残差块组合

FLOPs这里是指需要的计算量 

5.4.2 ResNeXt

 

5.5 CNN设计准则

这里不一定分组卷积就比整个卷积强