一、GoogleNet

1、原理介绍

       inception 结构

  如下图所示,输入数据经过一分四,然后做一些大小不同的卷积,之后再堆叠feature map

    CNN之经典卷积网络框架原理

       inception结构可以理解为把一个输入数据先通过一个1*1的卷积核进行降维然后再通过四个卷积核(分别为1*1,3*3,5*5,maxpooling)进行升维运算,然后模型会自动选择一个最优卷积核进行计算,最后得到一个卷积层。

       inception结构的原理:

      (1)、先通过一个1*1的卷积核降维,后面再跟正常的卷积核进行升维,把卷积的参数减少到原来的1/10

      (2)、网络能够自动决定选用哪一个的卷积核

      GoogleNet是由9个inception结构组成,如下图所示:

 

CNN之经典卷积网络框架原理

 

  

  

2、inception示例代码实现

CNN之经典卷积网络框架原理

 

二、VGGNet

 1、原理介绍

CNN之经典卷积网络框架原理

 

   VGG16由13个卷积层和3个全链接组成,因为每一层基本都是用的3*3或1*1的卷积核,结构比较简单,所以参数也不多。

VGGNet设计了多个cnn的卷积结构,层数加深了,而且参数比较少,层越多,模型泛化能力就越强,同时也越难于训练,需要的训练数据越多

2、示例代码实现

CNN之经典卷积网络框架原理

三、ResNet(深度残差网络)

1、原理介绍

  ResNet是通过残差结构来进行托底学习,主要是通过每次卷积结果都是要加上输入数据,保证每次卷积后输出不为0,从而增加卷积的层数,并减少梯度消失的问题,RESNet最大能到152层

2、示例代码实现

  CNN之经典卷积网络框架原理