GoogLeNet实现的过程

简介: 【7月更文挑战第26天】GoogLeNet实现的过程

GoogLeNet实现的过程
这里以Inception模块构建的GoogLeNet(Inception v1)为例,描述GoogLeNet的实现过程。
(1)输入层
原始输入图像大小为224×224×3,为三通道RGB图像。
(2)卷积层
接收224×224×3的矩阵数据,与64个大小为7×7的卷积核(步长为2,padding为“SAME”)做运算,输出为112×112×64,经过3×3的最大值池化(步长为2),输出矩阵为56×56×64。
(3)卷积层
接收56×56×64的矩阵数据,与192个大小为3×3的卷积核(步长为1,padding为“SAME”)做运算,输出为56×56×192,经过3×3的最大值池化(步长为2),输出矩阵为28×28×192。
(4)Inception 3a层
接收28×28×192的矩阵数据,共4个分支,采用不同尺度的卷积核运算,4个分支步长都为1。
第一个分支:与64个大小为1×1的卷积核做运算,输出矩阵为28×28×64。
第二个分支:与96个大小为1×1的卷积核做运算,输出为28×28×96,再与128个大小为3×3的卷积核(padding为“SAME”)做运算,输出矩阵为28×28×128。
第三个分支:与16个大小为1×1的卷积核做运算,输出为28×28×16,再与32个大小为5×5的卷积核(padding为“SAME”)做运算,输出矩阵为28×28×32。
第四个分支:3×3的最大值池化(padding为“SAME”),输出为28×28×192,32个大小为1×1的卷积核,输出矩阵为28×28×32。
将4个分支进行纵向拼接,层数为64+128+32+32=256,所以输出矩阵为28×28×256。

相关文章
|
机器学习/深度学习 编解码 算法
改进UNet | 透过UCTransNet分析ResNet+UNet是不是真的有效?(一)
改进UNet | 透过UCTransNet分析ResNet+UNet是不是真的有效?(一)
863 0
|
4月前
GoogLeNet实现的过程
【7月更文挑战第26天】GoogLeNet实现的过程。
44 8
|
4月前
LeNet-5实现的过程
【7月更文挑战第28天】LeNet-5实现的过程。
66 2
|
机器学习/深度学习
LeNet讲解以及搭建训练过程
LeNet讲解以及搭建训练过程
|
PyTorch 算法框架/工具 网络架构
UNet详细解读(二)pytorch从头开始搭建UNet
UNet详细解读(二)pytorch从头开始搭建UNet
305 0
|
算法 PyTorch 算法框架/工具
UNet++详细解读(二)pytorch从头开始搭建UNet++
UNet++详细解读(二)pytorch从头开始搭建UNet++
453 0
|
移动开发 算法 算法框架/工具
DL之DCGAN(Keras框架):基于keras框架利用深度卷积对抗网络DCGAN算法对MNIST数据集实现图像生成(保存h5模型→加载模型)
DL之DCGAN(Keras框架):基于keras框架利用深度卷积对抗网络DCGAN算法对MNIST数据集实现图像生成(保存h5模型→加载模型)
DL之DCGAN(Keras框架):基于keras框架利用深度卷积对抗网络DCGAN算法对MNIST数据集实现图像生成(保存h5模型→加载模型)
|
机器学习/深度学习 算法
DL之DNN:基于sklearn自带california_housing加利福尼亚房价数据集利用GD神经网络梯度下降算法进行回归预测(数据较多时采用mini-batch方式训练会更快)
DL之DNN:基于sklearn自带california_housing加利福尼亚房价数据集利用GD神经网络梯度下降算法进行回归预测(数据较多时采用mini-batch方式训练会更快)
|
机器学习/深度学习 人工智能 C语言
|
算法 TensorFlow 算法框架/工具
DL之DCGAN:基于keras框架利用深度卷积对抗网络DCGAN算法对MNIST数据集实现图像生成
DL之DCGAN:基于keras框架利用深度卷积对抗网络DCGAN算法对MNIST数据集实现图像生成
DL之DCGAN:基于keras框架利用深度卷积对抗网络DCGAN算法对MNIST数据集实现图像生成