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。
（5）之后的层
以后的层数都以此类推，GoogLeNet模型有9个堆叠的Inception模块，共有22层（如果包括池化层，则是27层）。由于GoogLeNet模型层数比较多，会造成梯度消失的问题，所以，为了阻止梯度消失，在网络中加入了两个辅助分类器。辅助分类器对网络中的两个Inception模块进行了softmax操作，得到的这两个Inception模块的损失，称为辅助损失。总的损失等于最后得到的损失与辅助损失之和，辅助损失仅在训练时使用，在预测过程中不使用。
除了GoogLeNet实现的Inception v1外，还有其他Inception版本，每一个Inception版本的发布都带来了准确率的提升。