原文链接：[1409.4842v1] Going Deeper with Convolutions (arxiv.org)

图源：深入解读GoogLeNet网络结构（附代码实现）-CSDN博客

表截自原文

以下📒来自博客深入解读GoogLeNet网络结构（附代码实现）-CSDN博客

（这个博主好厉害！写的很详细！）

输入层：224x224x3

卷积层：（conv 7×7+2（S））

kernel size=7×7 stride=2 padding=3 输出通道数64  (padding从哪儿看到的？原文吗？maybe

输出特征图尺寸=(224-7+3*2)/2+1=112.5（向下取整）=112

(为啥是向下取整？)（对应于下面的池化层为啥是向上取整？）

输出特征图维度64@112×112

池化层：

上一层的输出：64@112×112

kernel_size=3*3  stride=2 padding呢？  没说就是 padding=0

输出特征图尺寸 ：

64@((112-3+2)/2)=55.5(向上取整)=56

∴输出=64@56*56  相当于   56*56*64

局部响应归一化（不晓得是个啥？）

LRN第一次在AlexNet中提出

Conv 1×1+1（V）

卷积网络学习心得：

搞明白输入尺寸多大、操作（kernel size、stride、padding）、输出尺寸多大就可以的

输入：56*56 *64 

操作：64@kernel size=1*1 *64     需要训练的参数量=1*1*64*64=4096（说参数 指的是需要学习的参数（这个比较有趣，吃饭前死活不明白，还发呆走思，吃完饭回来倒是明白了

输出：64@56*56

卷积层conv 3×3+1(S)

输入：56*56*64

操作  192@kernel_size=3*3*64      stride = 1       padding= 1  

输出：192@(56-3+1*2)=192@56*56

然后进行ReLU操作（卷积以后，非线性激活）

参数量=192*3*3*64=110592

LRN

局部响应归一化的输入 操作 输出 是啥？

MAXPool  3×3+2(S)

是不是一般来说，padding不强调就是不填充 padding=valid

输入：192@56*56 （上一层的输出）→56*56*192

操作：192@kernel_size=3*3*192          stride=2           padding=0

输出：192@（56-3+2）/2=27.5 (向上取整)=28  = 192@28*28

Inception（3a）

输入：192@28*28 → 28*28*192

(从左往右数操作)(省略所有卷积操作后的ReLu操作)

操作1：conv 1*1 + 1(S)

输入：28*28*192

操作：

        kernel_size   64@1*1*192    padding=0  stride=1

        参数量=64*1*1*192=12288

输出：64@28*28

汇总：

池化层真的奇怪啊，按理说池化层没有padding，那么输出尺寸一定会减少的

参数量统计：

1*1*192*64=12288

1*1*192*96+3*3*96*128=129024

1*1*192*16+32*5*5*16=15872

1*1*192*32=6144

12288+129024+15872+6144=163328 

163328/1024=159.5K

原博的图也贴过来存档

这句话的理解：对四个部分的输出结果的通道并联

Inception（3b）

上一层的输出：256@28*28 →这一层的输入 ：28*28*256

表格的读法：

patch size不懂

stride明白

开始读：

总的输出尺寸：28*28*480，网络的深度是2  (其实给出了 卷积核个数和总的输出尺寸 这个网络是很好读了

1. 128个1*1的卷积      （输出是  128@28*28
2. 在3*3的卷积核之前的降维，进行128个1*1的卷积 （输出是128@28*28），对输出的特征图进行192个3*3的卷积  （输出192@28*28
3. 在进行5*5的卷积核之前的降维，进行32个1*1的卷积（输出是32@28*28），对输出的特征图进行96个5*5的卷积（输出96@28*28
4. （pool层使用3*3的卷积核，输出28*28*256 why？ 哪里看出来？A：get了，pool层有padding和stride 通道数不会变 而且padding=1）进行64个1*1的卷积（输出64@28*28  （由总的输出尺寸倒推这里的28*28

PS。忽然发现尺寸计算的一个东西 （H-W+2P+S）/S不管是填充还是步长，都是在把输出图像变大（蒽，理论上是的，诶，反正我这么理解

Inception（4a）

读inception（4a）

1. 总的输出尺寸 14*14*512
2. 进行192个1*1的卷积 输出14*14*192
3. 使用3*3的卷积核之前的降维，进行96个1*1的卷积，输出14*14*96，进行208个3*3的卷积，输出14*14*208
4. 使用5*5的卷积核之前的降维，进行16个1*1的卷积，输出14*14*16，进行48个5*5的卷积，输出14*14*48
5.  (池化是啥样的？)，池化之后进行64个1*1的卷积，输出14*14*64
6. 最后汇聚成512个通道

inception 4a、4b、4c

再看一遍这个图，patch size还是不明白是什么 但是几个inception块应该是理解了

图源：深入解读GoogLeNet网络结构（附代码实现）-CSDN博客

gpt说的 patch size就是kernel size

读第一个池化层

补充计算公式

最后的输出层

DepthConcat的输出是 7*7*1024，也就是AvgPool的输入

这张图不懂。