going deeper with convolutions （Googlenet网络解读）

标签：

http://www.gageet.com/2014/09203.php这个网址已都经把文章翻译好了，这里主要是说两点：

1.Googlenet借鉴了network in network里的多层感知器结构，也就是convolution层的 kernel_size=1，它的好处主要是体现在以下两方面:

a.降维，解决计算瓶颈；
b.提高神经网络的表达能力（多层感知器）。

2.Googlenet有一点突破就是对数据卷积核进行并联（多尺度的对图像进行卷积），考虑到计算的时间问题，底层用大卷积核（7*7），上层用小卷积核（3*3,5*5），值得借鉴啊。

最后，引用知乎上一为大牛讲解 Googlenet话：http://www.zhihu.com/question/27393324

正如文章中所写，增加网络宽度的好处，来源于不同尺度的卷积核并联，从而实现了对multi-scale特征的利用，也就是文章中Figure 2(a)，给出的inception module的结构。但是较大尺度卷积核的使用，会带来网络规模以及计算量的增加。这里作者提出了采用小卷积核和大卷积核级联的方法，来压缩模型的参数量，也就是文中的Figure 2(b)。

going deeper with convolutions （Googlenet网络解读）

标签：

原文地址：http://blog.csdn.net/l494926429/article/details/51366128