《Inception-v4, Inception-ResNet and the Impact of Residual Connections on Learning》笔记

Inception结构有着良好的性能，且计算量低。Residual connection不同于传统网络结构，且在2015 ILSVRC取得冠军，它的性能和Inception-v3接近。作者尝试将Inception结构和Residual connection结合，提出了新的网络结构Inception-v4。Inception-v4在ImageNet分类比赛中，top-5的错误率为3.08%。

介绍

Residual connection使得训练更深的网络变得容易。Inception结构也使得网络变深。将Residual connection添加到Inception结构中，使得Inception结构得到Residual connection的“益处”，且保留计算的高效。

作者也尝试了不使用Residual connection，而是直接拓展Inception结构，使得它更深更宽。作者也设计了不用Residual connection版本的Inception-v4。

相关工作

卷积网络在图像识别领域已经十分流行，经典网络有AlexNet、VGGNet、GoogLeNet等。Residual connection的提出是用了训练更深的网络，但是作者发现不使用Residual connection也可以训练更新的网络，Residual connection并不是必要条件；只是使用了Residual connection会加快训练速度。

Inception结构最初由GoogLeNet引入，GoogLeNet叫做Inception-v1；之后引入了BatchNormalization，叫做Inception-v2；随后引入分解，叫做Inception-v3。

网络架构

Inception-v4共有四种结构，一种不包含Residual connection结构的；包含Residual connection结构的，根据包含Inception模块的不同又分为2种：Inception-ResNet-v1和Inception-ResNet-v2。

Inception-v4

下图是Inception-v4的结构：

Stem模块为：

下面分别为：Inception-A、Inception-B、Inception-C模块。

不同的Inception模块的连接，减小了feature map，却增加了filter bank。

35x35变为17x17模块，即Reduction-A

17x17变为8x8模块，即Reduction-B

Inception-ResNet

Inception-ResNet的两个版本，结构基本相同，只是细节不同。整体结构为：

Inception-ResNet的两个版本对应Inception-resnet-A、Inception-resnet-B、Inception-resnet-C略微不同。

其中Inception-ResNet-v1和Inception-ResNet-v2对应的Inception-resnet-A模块为：

其中Inception-ResNet-v1和Inception-ResNet-v2对应的Inception-resnet-B模块为：

其中Inception-ResNet-v1和Inception-ResNet-v2对应的Inception-resnet-C模块为：

Inception-ResNet的stem模块和Reduction-B模块也略微不同。Inception-ResNet-v1和Inception-ResNet-v2主要在于Reduction-A结构不同：

其中k,l,m,n表示filter bank size。

缩放Residuals

当卷积核个数超过1000时，训练将会变得不稳定，在训练的早期，网络“died”。这是缩小Residuals有助于稳定训练，缩小因子介于0.1到0.3。

He在训练Residual Net时也发现这个问题，提出了“two phase”训练。首先“warm up”，使用较小的学习率。接着再使用较大的学习率。

训练方法

使用Momentum + SGM，momentum=0.9。使用RMSProp，decay为0.9， ϵ=1.0 。

学习率为0.045，每2个epoch缩小为原理的0.94。

实验结果