Tensorflow 实现Google Inception Net

Posted 2022-03-10 河南骏

Inception V1参数少但效果好的目的有两点：第一，参数越多模型越庞大，需要提供模型学习的数据量就越大，而目前高质量的数据非常昂贵。第二，参数越多，耗费的计算资源也会更大。Inception V1参数少但效果好的原因处理模型层数更深、表达能力更强外，还有两点：一是去除了最后逇全连接层，用全局平均池化层（即将图片尺寸变为1x1）来取代它，去除全连接层后模型训练更快并且减轻了过拟合。二是Inception V1中精心设计的inception module提高了参数的利用效率。

Inception V3网络结构

类型	kernel 尺寸/步长（或注释）	输入尺寸
卷积	3x3  /  2	299x299x3
卷积	3x3 / 1	149x149x32
卷积	3x3 / 1	147x147x32
池化	3x3 / 2	147x147x64
卷积	3x3 / 1	73x73x64
卷积	3x3 / 2	71x71x80
卷积	3x3 / 1	35x35x192
Inception 模块组	3个 Inception Module	35x35x288
Inception 模块组	5个 inception Module	17x17x768
Inception 模块组	3个 Inception Module	8x8x1280
池化	8x8	8x8x2048
线性	logits	1x1x2048
Softmax	分类输出	1x1x1000

这个网络相对比较复杂，这里使用tf.contrib.slim辅助设计这个网络。contrib.slim中的一些功能和组件可以大大减少设计inception net的代码量，我们这里只需要少量的代码即可构建好有42层深的inception V3。

Inception v3 的inception Module 有35x35,17x17和8x8三种不同的结构，具体如下：

slim.arg_scope，是一个非常有用的工具，可以给函数的参数自动赋予某些默认值。

因为代码比较复杂就，LZ就懒的敲了，有一段截图，关于本网络的，我贴出来，分享一下：