网络结构解读之inception系列五：Inception V4

网络结构解读之inception系列五：Inception V4

　　在残差逐渐当道时，google开始研究inception和残差网络的性能差异以及结合的可能性，并且给出了实验结构。

本文思想阐述不多，主要是三个结构的网络和实验性能对比。

Inception-v4, Inception-ResNet and

the Impact of Residual Connections on Learning

• 论证残差和Inception结合对性能的影响（抛实验结果）

　　1.残差连接能加速Inception网络训练

　　2.和没有残差的Inception相比，结合残差的Inception在性能上有微弱优势

　　3.作者提出了Inception V4，Inception-ResNet-V1，Inception-ResNet-V2

• Inception系列正名

　　1.GoogLeNet=Inception V1

　　2.BN-Inception = Inception V2

　　3.分解卷积 = Inception V3

• InceptionV4

　　　整个结构所使用模块和V3基本一致，不同的是Stem和Reduction-B

　　InceptionV4中Stem

       299->35的过程

• Inception-ResNet

　　Inception-ResNetV1 计算量接近Inception V3

　　Inception-ResNetV2 计算量接近Inception V4

• Inception-ResNetV2

　　V1和V2残差Inception相近，不同点在stem和部分模块的卷积大小

• 残差Inception模块的缩放

　　现象：当滤波器超过1000时，残差网络出现不稳定，最终GAP层激活值大部分变为0，且无法通过降低学习率和增加BN来避免。

　　经过实验发现，通过缩放残差Inception模块能够使其训练稳定，通常设置0.1~0.3

• 实验性能对比
  

　　实验较多，以单模型单裁剪为例