通常在構建卷積網路的程序中，我們需要根據經驗選擇卷積核的尺寸，1x1 或者3x3 或者5x
5 或者7x7等，而且構建的網路總體引數計算量比較大，
相比之下inception網路的優勢有2點：
1.inception網路會代替人工選擇卷積的型別或者確定是否要選擇卷積核或者池化層
案例：
在這個網路中，并行使用1x1x192x64,3x3x192x128,5x5x192x32的卷積核，再加一個最大池化層，將所有的結果堆疊起來，最終構成1x28x28x256的影像，
它的核心思想是不需要決定使用哪種卷積核，或者是否需要池化層，由網路自己確定這些引數，我們可以給網路添加這些引數所有可能的值，然后把網路的輸出拼接起來，讓網路自己學習它需要什么樣的引數，采用哪些卷積核組合，
如此，我們就不需要再關系到底應該如何選擇卷積核，
2.在inception網路中，總體乘積引數要比普通網路引數要少，
請看下面的例子：
普通卷積核
原始的影像資料是 1x28x28x192，通過一個5x5x192x32的卷積核，變為1x28x28x32的影像，
引數合計：5x5x192 x 32x28x28 = 1.2億
inception 網路卷積核
原始的影像資料是 1x28x28x192，通過一個1x1x192x16的卷積核，變為1x28x28x16的影像，再通過一個5x5x16x32的卷積核，變為1x28x28x32的影像，
引數合計：1x1x192 x 16x28xx28 + 5x5x16 x 32x28x28 = 0.124億
對比普通的網路，我們輸入，輸出的影像維度相同，但是inceotion能夠顯著降低引數的計算量，
轉載請註明出處，本文鏈接：https://www.uj5u.com/qita/323264.html
標籤：其他