- Inception的参数量较少，适合处理大规模数据，尤其是对于计算资源有限的平台
为进一步降低参数量，Inception又增加了较多的1x1卷积块进行降维，改进为Inception v1版本，Inception v1共9个上述堆叠的模块，共有22层，在最后的Inception 模块中还是用了全局平均池化。同时为避免造成网络训练时带来的梯度消失的现象，在这里引入两个辅助的分类器，在第三个和第六个的Inception模块输出后执行Softmax并计算损失，在训练时和最后的损失一并回传。
Inception v1基础结构图：
Inception v1代码：
import torch
from torch import nn
import torch.nn.functional as F
###定义一个包含卷积和ReLU池化的基础卷积块
class BasicConv2d(nn.Module):
def init(self, in_channels, out_channels, kernel_size, padding=0):
super(BasicConv2d, self).init()
self.conv = nn.Conv2d(in_channels, out_channels, kernel_size, padding=padding)
def forward(self, x):
x = self.conv(x)
return F.relu(x, inplace=True)
《一线大厂Java面试题解析+后端开发学习笔记+最新架构讲解视频+实战项目源码讲义》无偿开源 威信搜索公众号【编程进阶路】
###Inceptionv1 类，初始时需要提供各个子模块的通道数大小
class Inceptionv1(nn.Module):
def init(self, in_dim, hid_1_1, hid_2_1, hid_2_3, hid_3_1, out_3_5, out_4_1):
super(Inceptionv1, self).init()
###四个子模块各自的网络定义
self.branch1x1 = BasicConv2d(in_dim, hid_1_1, 1)
self.branch3x3 = nn.Sequential(
BasicConv2d(in_dim, hid_2_1, 1),
BasicConv2d(hid_2_1, hid_2_3, 3, padding=1)
)
self.branch5x5 = nn.Sequential(
BasicConv2d(in_dim, hid_3_1, 1),
BasicConv2d(hid_3_1, out_3_5, 5, padding=2)
)
self.branch_pool = nn.Sequential(
nn.MaxPool2d(3, stride=1, padding=1),
BasicConv2d(in_dim, out_4_1, 1)
)
###定义前向传播
def forward(self, x):
b1 = self.branch1x1(x)
b2 = self.branch3x3(x)
b3 = self.branch5x5(x)
b4 = self.branch_pool(x)
###将这四个子模块沿着通道方向进行拼接
output = torch.cat((b1, b2, b3, b4), dim=1)
return output
Inception v2特点：
-
增加BN层
-
利用两个3*3来代替5x5卷积，减小了参数量，也提升网络的非线性能力
Inception v2结构示意图：
代码如下：
import torch
from torch import nn
import torch.nn.functional as F
class BasicConv2d(nn.Module):