GooLeNet
亮点
-
最明显的亮点就是引入了Inception，初衷是多卷积核增加特征的多样性，提高泛化能力 ，比如，最下边是一个输入层，然后这个输入分别传递给1*1，3 * 3 ，5 * 5和一个最大池化层，然后将所有的输出特征图在深度上进行一个串联，所以说这就要保证特征图的大小必须得是一致的，1 * 1的卷积核不改变大小，其他卷积核池化要添加0补充。
这就是Inception V1结构，但由于他们是在深度上进行串联的，所以这就导致了深度或者说通道特别深，因为maxpooling层是不改变深度的，只会越来越深。
所以这个问题如何解决呢？这就引入了Inception V2结构，在3 * 3 5 * 5的卷积核之前加入1 * 1卷积核降维 ， 最大池化层后也加入1 * 1降维，从而减少了深度和参数
除此之外呢，还有Inception V3结构，将 5 * 5卷积核裂变为3 * 3 的卷积核堆叠起来，进一步降低了参数量， 一个是5 5 + 1 = 26 一个是（3 * 3 + 1） 2 = 20，同时多个卷积核引入了多个非线性激活函数，从而使表征能力更强，训练更快。
-
除了最后类别输出的一个全连接层，没有额外的全连接层，使用平均池化层，大大减少了模型参数。
-
添加了两个辅助分类器帮助训练，解决由于模型深度过深导致的梯度消失的问题。
1*1 卷积核作用
因为输出后特征图的深度和卷积核的数量相等，所以使用1*1卷积核可以减少特征矩阵的深度，从而减少参数和计算量
辅助分类器的结构
1个平均池化层和1一个卷积层以及2个全连接层和Softmax激活层
