深度神经网络Google Inception Net-V3结构图

深度神经网络Google Inception Net-V3结构图

前言

Google Inception Net在2014年的 ImageNet Large Scale Visual Recognition Competition (ILSVRC)中取得第一名，该网络以结构上的创新取胜，通过采用全局平均池化层取代全连接层，极大的降低了参数量，是非常实用的模型，一般称该网络模型为Inception V1。随后的Inception V2中，引入了Batch Normalization方法，加快了训练的收敛速度。在Inception V3模型中，通过将二维卷积层拆分成两个一维卷积层，不仅降低了参数数量，同时减轻了过拟合现象。

一、多少层？

Inception V3究竟有多少层呢？某书籍上说42层，某书籍上说46层。参考实现的源代码，仔细数一数，应该是47层。

 

层次结构图.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层

Tips：上面的这张层次结构图出现在某些帖子和书籍中，根据实现的源码，标注的红色方框处应该是5个卷积层，而不是4个。

二、详细网络结构

详细的网络结构及其子网络结构如下。

 

总体结构图 .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

这么复杂精巧的网络结构是怎么设计出来的呢？是不断的进行数值实验吗？
还是靠爱... ...