经典卷积神经网络的学习（三）—— Inception Net

Google Inception Net 首次出现在 ILSVRC 2014 的比赛中（和 VGGNet 同年），就以较大优势拔得头筹。那届比赛中的 Inception Net 一般被称为 Inception V1（version 1），其最大的优势在于控制 了参数量（也就控制了计算量）的同时，仍然能够获得非常好的分类性能 —— top-5 错误率 6.67%。

Inception V1 降低餐数量的目的在于以下两点：

• 参数越多，模型越庞大，需要提供模型学习的数据量也就越大，而当前高质量的数据非常昂贵；
• 参数越多，相应地耗费的计算资源也会更大；

0. 一些细节问题

• Scale images because Inception needs pixels to be between 0 and 255,
  
  • Inception net 要求输入图像的像素值在 0-255 区间内，而不是 0-1，如果原始图像的像素值在 0-1，需要在乘以 255；
• The output of the Inception model is a so-called Softmax-function
  
  • Inception net 的输出是 softmax-function，
• 为什么使用了较多 1×1 的卷积？
  
  • 图片数据天然地邻近区域的数据相关性较高，也即可通过卷积操作使相邻的像素点连接在一起。我们可十分方便构造多个卷积核，在同一空间位置但不同通道的卷积核的输出结果相关性较高。
  • 因此一个 1×1 的卷积就可以很自然地将这些相关性很高的、在同一空间位置但不同通道的特征连接在一起，这也正是 1×1 的卷积会频繁地应用到 Inception Net 中的原因。
  • 1×1 卷积所连接的节点的相关性是最高的，而稍微大一点尺寸的卷积，3×3、5×5 的卷积所连接的节点相关性也很高，因此可进一步地使用一些稍大尺寸的卷积，增加特征多样性（diversity）；

1. 模型拓扑

• Inception V1 有 22 层深，比 AlexNet 的 8 层或者 VGGNet 的 19 层还要更深。

• 去除了最后的全连接层，而使用全局平均池化层（将图片尺寸变为 1×1）取代全连接层；

  
  
  

如上图所示为 Inception Module 的结构图，可知：

• 基本结构共有四个分支；Inception Module 的 4 个分支在最后一个聚合操作合并（在输出通道数这个维度上聚合）
• Inception Module 中包含了：
  
  • 3 种不同尺寸的卷积：1×1,3×3,5×5
  • 1 个最大池化层：3×3

2. Inception Net 家族

• 2014 年 9 月，Going Deeper with Convolutions ⇒ Inception V1（top-5 错误率 6.67%）
• 2015 年 2 月，Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate ⇒ Inception V2（top-5 错误率 4.8%）
  
  • 学习了 VGGNet，用两个 3×3 的卷积代替 5×5 的大卷积（以降低参数和减轻过拟合），正如论文标题所言，还提出了有效的 Batch Normalization 方法，可为大型卷积网络的训练加速很多倍；
• 2015 年 12 月，Rethinking the Inception Architecture for Computer Vision ⇒ Inception V3（top-5错误率 3.5%），主要有下述改进：
  
  • 引入 Factorization into Small convolutions 的思想，讲一个较大的二维卷积拆成两个较小的一维卷积，比如将 7×7 ⇒ 1×7 & 7×1
• 2016 年 2 月，Inception V4、Inception-ResNet and the Impact of Residual Connections on learning，提出 Inception V4 的概念，（top-5 错误率 3.08%）