深度学习之?络中的?络（NIN）

标签：深度学习   src   等于   介绍   line   维数   math   池化层   空间   

LeNet、AlexNet和VGG在设计上的共同之处是：先以由卷积层构成的模块充分抽取空间特征，再以由全连接层构成的模块来输出分类结果。

其中，AlexNet和VGG对LeNet的改进主要在于如何对这两个模块加宽（增加通道数）和加深。本节我们介绍?络中的?络（NiN）—— 它提出了另外?个思路，即串联多个由卷积层和“全连接”层构成的??络来构建?个深层?络。

一、NIN 块

卷积层的输?和输出通常是四维数组（样本，通道，?，宽），?全连接层的输?和输出则通常是?维数组（样本，特征）。如果想在全连接层后再接上卷积层，则需要将全连接层的输出变换为四维。

二、NIN模型

NiN是在AlexNet问世不久后提出的。它们的卷积层设定有类似之处。NiN使?卷积窗?形状分别为\(11 \times 11\) 、\(5 \times 5\) 和 \(3 \times 3\) 的卷积层，相应的输出通道数也与AlexNet中的?致。每个NiN块后接?个步幅为2、窗?形状为 \(3 \times 3\) 的最?池化层。

NIN 与 ALexNet 区别：
NiN去掉了AlexNet最后的3个全连接层，取?代之地，NiN使?了输出通道数等于标签类别数的NiN块，然后使?全局平均池化层对每个通道中所有元素求平均并直接?于分类。

深度学习之?络中的?络（NIN）

标签：深度学习   src   等于   介绍   line   维数   math   池化层   空间   

原文地址：https://www.cnblogs.com/somedayLi/p/12518990.html