知识卡片

普通读书笔记卡 · 9424.f · 生成模型:Tencent Hunyuan Hy

GoogLeNet 与 Inception 模块

理解等级:高级

GoogLeNet(又称 InceptionNet)是 2014 年 ILSVRC 的获胜者,核心是 Inception 模块。它针对卷积核大小难以选择的两难:物体大小不一,大核适合覆盖大面积物体,小核适合定位局部小物体;而一味堆深网络会使梯度流动困难、导致过拟合,构建超大网络又成本高昂。解法是在同一层并行使用多种尺寸的卷积核:典型的 Inception 模块并行 1×1、3×3、5×5 三种卷积,把结果拼接成输出向量送入下一层,让网络自己学习最适合的核尺寸;并行排列还使架构更稀疏,便于训练更深的网络。它与 [[VGGNet:以小卷积堆叠深化]] 代表加深网络的两种思路。

这张卡片看不懂?

已有反馈 · 0 条

    还没有人提交反馈。

    在整书笔记中的位置

    原书出处 · 1 处

    • CNN 架构 经典图像分类 CNN 架构 · 查看原书依据

      这个想法是对卷积核并行使用不同大小,而不是在层中使用单个核大小。 这样,网络现在可以选择核大小,并且网络现在可以通过核学习最适合该工作的特征。 相互并行排列核也使架构稀疏,这有助于简化对更深层网络的训练。

    参考来源

    - 位置:《Python深度学习架构实用指南(初译)》第04章《CNN 架构》(源文件:`../../book-sources/extracted/Python深度学习架构实用指南(初译)/_epub-src/OEBPS/Text/08.html`,来源项目 a19c7933-4eda-4176-aebd-30fe7e1ad292) - 结论依据:原文指出并行多尺寸核让网络自行选核并使架构稀疏,支撑 Inception 兼顾多尺度与可训练性的结论。 - 原始内容:这个想法是对卷积核并行使用不同大小,而不是在层中使用单个核大小。 这样,网络现在可以选择核大小,并且网络现在可以通过核学习最适合该工作的特征。 相互并行排列核也使架构稀疏,这有助于简化对更深层网络的训练。