本文主要是介绍深度学习方法（十一）：卷积神经网络结构变化——Google Inception V1-V4，Xception（depthwise convolution），希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
欢迎转载，转载请注明：本文出自Bin的专栏blog.csdn.net/xbinworld。
技术交流QQ群：433250724，欢迎对算法、机器学习技术感兴趣的同学加入。
上一篇讲了深度学习方法（十）：卷积神经网络结构变化——Maxout Networks，Network In Network，Global Average Pooling，本篇讲一讲Google的Inception系列net，以及还是Google的Xception。（扯一下，Google的Researcher们还是给了很多很棒的idea的，希望读者朋友和我自己在了解paper之余，可以提出自己的想法，并实现。）
如果想看Xception，就直接拉到最后看，有手画示意图。
Inception V1-V4
Inception V1：
V1是大家口头说的Googlenet，在之前的深度学习方法（五）：卷积神经网络CNN经典模型整理Lenet，Alexnet，Googlenet，VGG，Deep Residual Learning有简单介绍，这里再凝练一下创新点：
图1
要想提高CNN的网络能力，比如分类准确率，一般的想法就是增大网络，比如Alexnet确实比以前早期Lenet大了很多，但是纯粹的增大网络——比如把每一层的channel数量翻倍——但是这样做有两个缺点——参数太多容易过拟合，网络计算量也会越来越大。
以下重点：目前很多工作证明，要想增强网络能力，可以：增加网络深度，增加网络宽度；但是为了减少过拟合，也要减少自由参数。因此，就自然而然有了这个第一版的Inception网络结构——同一层里面，有卷积1* 1, 3* 3,5* 5 不同的卷积模板，他们可以在不同size的感受野做特征提取，也算的上是一种混合模型了。因为Max Pooling本身也有特征提取的作用，而且和卷积不同，没有参数不会过拟合，也作为一个分支。但是直接这样做，整个网络计算量会较大，且层次并没有变深，因此，在3*3和5*5卷积前面先做1*1的卷积，降低input的channel数量，这样既使得网络变深，同时计算量反而小了；（在每一个卷积之后都有ReLU）
Inception V2-V3：
V2和V3版本比较接近，就不绝对区分了，具体可以看[3]。讲一讲其中的创新点：
首先，用两层堆叠的3*3代替了一层5*5，我们可以看到，这样做参数量少了，计算量少了，但是层数变深了，效果也变好了：
用1*3和3*1卷积替代3*3卷积，计算量少了很多，深度变深，思路是一样的。（实际上是1*n和n*1替代n*n，n可以变）
放到Inception结构里，下面是原始的Inception
下面图5-6-7是改进版本：
总体的网络结构：
我们看到，Inception并不是全程都用，是在图像比较小了采用，并且，图5-6-7的结构是依次用的，他们适合不同size的图像。
Inception V4：
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 [7]
Inception-resnet-v1 and Inception-ResNet v2都是用的这个结构图，区别在于下图的注释中，
这篇文章通篇就是各种微结构变化，我在这里贴也没什么意思，希望读者移步论文[4]，找到对应的图号，看一下。
其实我也有疑惑，虽然paper总可以说出一些道道，结果也确实有一定提升，但是对于不同层设计了完全不同的微结构，这样会不会模式上太不统一了？有没有用更简洁统一的方式，达到一样的效果呢？我相信是有的，自我感觉Inception V1的模式很简单，Resnet的跳层结构也很简单，美，但是到了V4这里，结构变化太多，很难理解为什么是必须的呢？**
就好比我们以前做电影推荐比赛，最终获胜的结果往往是多模型混合，但是我个人还是最感兴趣那个最最有效果的单模型是什么样的。
Xception
非常新的一个工作[5]，前面讲了那么多Inception网络，那么Inception网络的极限是什么呢？其中一个极限版本如下：
在1*1卷积之后，对每一个channel，做3*3的*1的独立卷积，然后再concat。认为每一个spatial conv对cross channel feature是没有关系的。
[5]作者提出了Depthwise Separable Convolution，或者简称Depthwise Convolution，是下面这个样子：先做channel-wise conv，然后再过1*1卷积，中间没有ReLU，最后有ReLU。
上面提到两种结构的区别，文中这一段写的很清楚：
整个网络结构：
OK，本篇到这里，只是作为一个记录和引导，让大家发现更多结构设计的idea。
参考资料
下面参考资料部分paper还带了test error
[1] Going Deeper with Convolutions, 6.67% test error
http://arxiv.org/abs/1409.4842
[2] Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift, 4.8% test error
http://arxiv.org/abs/1502.03167
[3] Rethinking the Inception Architecture for Computer Vision, 3.5% test error
http://arxiv.org/abs/1512.00567
[4] Inception-v4, Inception-ResNet and the Impact of Residual Connections on Learning, 3.08% test error
[5] Xception: Deep Learning with Depthwise Separable Convolutions
[6] 深入浅出——网络模型中Inceptionv1到 v4 的作用与结构全解析
[7] Inception in CNN
[8] 论文笔记 | Inception-v4, Inception-ResNet and the Impact of Residual Connections on Learning
这篇关于深度学习方法（十一）：卷积神经网络结构变化——Google Inception V1-V4，Xception（depthwise convolution）的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
