深度学习

前言

在2014年的ImageNet图像识别挑战赛中，一个名叫GoogLeNet (Szegedy et al., 2015)的网络架构大放异彩。 GoogLeNet吸收了NiN中串联网络的思想，并在此基础上做了改进。这篇论文的一个重点是解决了什么样大小的卷积核最合适的问题。

卷积核的选择问题：小孩子才做选择题；

Inception的卷积核选择和GoogLeNet的框架模型：

Inception CooleNet

Inception模型代码：

class Inception(nn.Module):
    def __init__(self, in_channels, c1, c2, c3, c4, **kwargs) -> None:
        super().__init__(**kwargs)

        self.p1 = nn.Sequential(
            nn.Conv2d(in_channels, c1, kernel_size=1),
            nn.ReLU()
        ) 
        self.p2 = nn.Sqeuential(
            nn.Conv2d(in_channels, c2[0], kernel_size=1),
            nn.Conv2d(c2[0], c2[1], kernel_size=3, padding=1),
            nn.ReLU()
        )
        self.p3 = nn.Sequential(
            nn.Conv2d(in_channels, c3[0], kernel_size=1),   
            nn.Conv2d(c3[0], c3[1], kernel_size=5, padding=2),
            nn.ReLU()
        )
        self.p4 = nn.Sequential(
            nn.MaxPool2d(kernel_size=3, stride=1, padding=1),
            nn.Conv2d(in_channels, c4, kernel_size=1),
            nn.ReLU()
        )
    def forward(self, X):
        p1 = self.p1(X)
        p2 = self.p2(X)
        p3 = self.p3(X)
        p4 = self.p4(X)
        return torch.cat((p1, p2, p3, p4), dim=1)

note：模型能被训练，钞能力很强大！

Ref：李沐

GoogLeNet神经网络

前言

Inception模型代码：

CATALOG

FEATURED TAGS

FRIENDS