付第三期网站建设费的账务处理,成都科技网站建设咨询,游乐场网站开发,图片分页网站模板同学你好#xff01;本文章于2021年末编写#xff0c;获得广泛的好评#xff01; 故在2022年末对本系列进行填充与更新#xff0c;欢迎大家订阅最新的专栏#xff0c;获取基于Pytorch1.10版本的理论代码(2023版)实现#xff0c; Pytorch深度学习理论篇(2023版)目录地址…同学你好本文章于2021年末编写获得广泛的好评 故在2022年末对本系列进行填充与更新欢迎大家订阅最新的专栏获取基于Pytorch1.10版本的理论代码(2023版)实现 Pytorch深度学习·理论篇(2023版)目录地址为 CSDN独家 | 全网首发 | Pytorch深度学习·理论篇(2023版)目录本专栏将通过系统的深度学习实例从可解释性的角度对深度学习的原理进行讲解与分析通过将深度学习知识与Pytorch的高效结合帮助各位新入门的读者理解深度学习各个模板之间的关系这些均是在Pytorch上实现的可以有效的结合当前各位研究生的研究方向设计人工智能的各个领域是经过一年时间打磨的精品专栏https://v9999.blog.csdn.net/article/details/127587345欢迎大家订阅(2023版)理论篇 以下为2021版原文~~~~ 1 Inception系列模型 Incepton系列模型包括V1、V2、V3、V4等版本主要解决深层网络的三个问题 训练数据集有限参数太多容易过拟合网络越大计算复杂度越大难以应用网络越深梯度越往后传越容易消失梯度弥散难以优化模型。 1.1 多分支结构 原始的Inception模型采用多分支结构见图1-1)它将1×1卷积、3×3卷积最大池化堆叠在一起。这种结构既可以增加网络的宽度又可以增强网络对不同尺寸的适应性。 Inception模型包含3种不同尺寸的卷积和1个最大池化增强了网络对不同尺寸的适应性。 Inception模型可以让网络的深度和宽度高效率地扩充提高准确率。 Inceρtion模型本身如同大网络中的一个小网络其结构可以反复堆叠在一起形成大网络。 1.2 全局均值池化文章来源Network in Network 全局均值池化是指在平均池化层中使用同等大小的过滤器对特征进行过滤。一般使用它用来代替深层网络结构中最后的全连接输出层。 1.2.1 全局均值池化的具体用法 在卷积处理之后对每个特征图的一整张图片进行全局均值池化生成一个值即每个特征图相当于一个输出特征这个特征就表示我们输出类的特征。 即在做1000个分类任务时最后一层的特征图个数要选择1000这样就可以直接得出分类。 1.2.2 Network in Network中的实现 作者利用其进行1000个物体分类最后设计了一个4层的NINNetwork In Network)全局均值池化如图1-2所示。 2 Inception V1模型 Inception V1模型在原有的Inception模型上做了一些改进。原因是在Inception模型中 3 Inception V2模型 卷积核是针对其上一层的输出结果进行计算的因此会存在5×5卷积核所需的计算量就会很大所生成的特征图很厚。 为了避免这一现象InceptionV1模型在3×3卷积前、5×5卷积前、3×3最大池化后分别加上了1×1卷积以起到降低特征图厚度的作用其中1×1卷积主要用来降维) 3.1 InceptionV1模型图 InceptionV1模型中有4个分支。 3.1.1 分支介绍 第1个分支对输入进行1×1卷积1×1卷积既可以跨通道组织信息提高网络的表达能力又可以对输出通道升维和降维。 第2个分支先使用1×1卷积然后使用3×3卷积相当于进行了两次特征变换。 第3个分支先使用1×1卷积然后使用5×5卷积。 第4个分支3×3最大池化后直接使用1×1卷积。 3.1.2 InceptionV1模型图 3.1.3  InceptionV1的特点 4个分支都使用了1×1卷积有的分支只使用了1×1卷积有的分支使用了1×1的卷积后也会再使用其他尺寸卷积。 因为1×1卷积的性价比很高用很小的计算量就能增加一层特征变换和非线性化。最终lnceptionV1模型的4个分支通过一个聚合操作合并使用torch.cat函数在输出通道数的维度上聚合)。 4 Inception V2模型 4.1 Inception V2模型的改进措施 Inception V2模型在lnceptionV1模型的卷积之后加入了BN层使每一层的输出都归一化处理减少了内部协变量移位问题同时还使用梯度截断的技术增加了训练的稳定性。 lnceptionV2模型还借鉴VGG模型用两个3×3卷积替代InceptionV1模型中的5×5卷积降低参数数量提升运算速度。 4.2 Inception V2 模型  5 Inception V3模型 Inception V3模型没有再加入其他的技术只是将Inception V2的卷积核变得更小 5.1 Inception V3模型具体做法 将nception V2模型的3×3分解成两个一维的卷积1×33×1)。这种方法主要是基于线性代数的原理即一个[nn]的矩阵可以分解成矩阵[n1]×矩阵[1n]。 5.2 Inception V3模型的实际效果计算 假设有256个特征输入和256个特征输出假定lnception层只能执行3×3卷积也就是总共要完成256×256×3×3次的卷积589824次乘积累加运算)。 假设现在需要减少进行卷积运算的特征的数量将其变为64即256/4个。在这种情况下首先进行256→64的特征的1×1卷积然后在所有Inception层的分支上进行64次卷积最后使用一个来自64→256的特征的1×1卷积。 256×64×1×116384 64×64×3×3 36864 64×256×1×116384 相比之前的589824次现在共有69632(163843686416384)次的计算量。 在实际测试中这种结构在前几层效果不太好但对特征图大小为1220的中间层效果明显也可以大大增加运算速度。另外网络输入从224×224变为299×299设计了35×35/17×17/8×8的模块。 6 Inception V4模型 6.1 Inception V4模型改进手段 在InceptionV3模型的基础上结合残差连接技术进行结构的优化调整通过二者的结合得到了两个比较出色的网络模型。 6.2 lnception V4模型 Inception V4模型仅是在InceptionV3模型的基础上由4个卷积分支变为6个卷积分支但没有使用残差连接。 6.3 Inception-ResNet V2模型 Inception-ResNet V2模型主要是在InceptionV3模型的基础上加入ResNet模型的残差连接是lnceptionV3模型与ResNet模型的结合。 残差连接在Inception模型中具有提高网络准确率而且不会增加计算量的作用。 6.4 Inception-ResNetV2模型与lnception V4对比 在网络复杂度相近的情况下Inception-ResNetV2模型略优于Inception V4模型。 通过将3个带有残差连接的inception模型和一个lnceptionV4模型组合就可以在lmagelNet上得到3.08%的错误率。