CNN之经典卷积网络框架原理

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

　　　　

       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：

 

 

　　

　　

2、inception示例代码实现

 

二、VGGNet

 1、原理介绍

 

   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

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