深度学习之图像分类模型inception v2、inception v3解读
来源:互联网 发布:剑罗数据 编辑:程序博客网 时间:2024/04/27 14:51
来自caffeCN的一个简要的总结(http://caffecn.cn/?/question/255):
先上Paper列表:
- [v1] Going Deeper with Convolutions, 6.67% test error, http://arxiv.org/abs/1409.4842
- [v2] Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift, 4.8% test error, http://arxiv.org/abs/1502.03167
- [v3] Rethinking the Inception Architecture for Computer Vision, 3.5% test error, http://arxiv.org/abs/1512.00567
- [v4] Inception-v4, Inception-ResNet and the Impact of Residual Connections on Learning, 3.08% test error, http://arxiv.org/abs/1602.07261
- Inception v1的网络,将1x1,3x3,5x5的conv和3x3的pooling,stack在一起,一方面增加了网络的width,另一方面增加了网络对尺度的适应性;
- v2的网络在v1的基础上,进行了改进,一方面了加入了BN层,减少了Internal Covariate Shift(内部neuron的数据分布发生变化),使每一层的输出都规范化到一个N(0, 1)的高斯,另外一方面学习VGG用2个3x3的conv替代inception模块中的5x5,既降低了参数数量,也加速计算;
- v3一个最重要的改进是分解(Factorization),将7x7分解成两个一维的卷积(1x7,7x1),3x3也是一样(1x3,3x1),这样的好处,既可以加速计算(多余的计算能力可以用来加深网络),又可以将1个conv拆成2个conv,使得网络深度进一步增加,增加了网络的非线性,还有值得注意的地方是网络输入从224x224变为了299x299,更加精细设计了35x35/17x17/8x8的模块;
- v4研究了Inception模块结合Residual Connection能不能有改进?发现ResNet的结构可以极大地加速训练,同时性能也有提升,得到一个Inception-ResNet v2网络,同时还设计了一个更深更优化的Inception v4模型,能达到与Inception-ResNet v2相媲美的性能
=========================================================================================
基础单元:
一个5x5的网格等于两个3x3的降级
一个3x3的可以降维成一个由3x1的卷积的3个输出网络
35降维可以理解为1+9+25
17降维理解为每次降7个点,17=>11=>5
8降维可以理解为8=>6=>4=>2
这个是V1对应的3个Inception结构,V2添加相应的BN就可以。
=========================================================================================
推荐参考博客:
http://blog.csdn.NET/cv_family_z/article/details/50789805
http://blog.csdn.Net/stdcoutzyx/article/details/51052847
Github上面有写好的这几个版本的Python实现:
https://github.com/soeaver/caffe-model
https://github.com/titu1994/Inception-v4
Keras框架是一个不错的框架,不仅框架安装方便,代码易修改,更重要的是API文档写的非常完美,个人推荐用Keras上手学习DL。
0 0
- 深度学习之图像分类模型inception v2、inception v3解读
- 深度学习之图像分类模型inception v2、inception v3解读
- GoogLe图像分类模型 Inception-v2,Inception-v3 论文笔记
- 深度学习之基础模型-Inception-V3
- [caffe]深度学习之图像分类模型googlenet[inception v1]解读
- [caffe]深度学习之图像分类模型Batch Normalization[BN-inception]解读
- [caffe]深度学习之图像分类模型googlenet[inception v1]解读
- 深度学习之基础模型-Inception-V2(BN)
- Inception-V2,V3
- 【深度学习】Inception的前世今生(三)--Inception V3
- 深度学习,图像分类,从vgg到inception,到resnet
- inception-v3迁移学习
- 网络模型 Inception V2/V3-Rethinking the Inception Architecture for Computer Vision
- Tensorflow学习笔记--使用迁移学习做自己的图像分类器(Inception v3)
- TfRecord+inception-v3训练图像
- Tensorflow实例:Inception-v3模型
- 【深度学习】Inception结构
- 深度学习之基础网络-Inception-V4
- Logistic 梯度法进行分类
- 第一章 抽象和封装
- C#简介
- 把一个数组按照指定的数组大小分割成若干个数组块
- SVM 采用smo算法计算 python
- 深度学习之图像分类模型inception v2、inception v3解读
- XRefreshLayout,无侵入刷新RecyclerView的所有LayoutManager
- Android开发之逐帧动画优化
- Java OOP--面向对象程序设计
- php判断是否为数字
- 异步调用与多线程的区别 以及使用情况
- DIGITS的安装与使用记录
- 蓝桥杯Problem I: 切面条
- ssh编写流程