【网络中的网络NiN与GoogleNet】

NiN

全连接层的问题

• 卷积层需要较少的参数
  $$c_i\times c_o\times k^2$$
• 但卷积层后的第一个全连接层的参数
  • LeNet： 16x5x5x120=48k
  • AlexNet ：256x5x5x4096=26M
  • VGG：512x7X7X4096=102M
• 可以看到参数量的差别主要在于全连接层。NiN的一个重要思想就是想办法来取代全连接层

大量的参数会带来很多问题

• 占用大量的内存
• 占用很多的计算带宽（一个很大的矩阵乘法根本不是受限于计算，而是几乎是受限于不断访问内存所带来的限制）
• 很容易过拟合（某一层的参数过多很容易导致模型收敛特别快，反过来讲，就需要使用大量的正则化避免该层学到所有的东西）

NiN块

• 一个卷积层后跟两个全连接层
  • 步幅1，无填充，输出形状跟卷积层输出一样
  • 起到全连接层的作用
    
    
    NiN架构
• 无全连接层
• 交替使用NiN块和步幅为2的最大池化层
  • 逐步减小高宽和增大通道数
• 最后使用全局平均池化层得到输出（对每一个通道取平均值）
  • 其输入通道数是类别数

总结

• NiN的核心思想是NiN块，NiN块是一个卷积层加上两个1 * 1的卷积层作为全连接层来使用（也就是说对每个像素增加了非线性，或者说对每个像素的通道数做了全连接层，而且是非线性的，因为有两层）
• NiN使用全局平均池化层（通道数量为所需的输出数量）来替代VGG和AlexNet中的全连接层（全局全连接层因为比较大，所以也不需要学一个比较大的全连接层），这样做的好处是不容易过拟合，显著减少网络参数的数量
• 整体来讲，NiN的架构比较简单，就是NiN块和最大池化层的重复堆叠，直到最后的全局平均池化层，因为完全放弃了全连接层，所以它的参数个数大大减少了，使得参数的总量与类别数的多少无关
• NiN的设计影响了许多后续卷积神经网络的设计

GoogLeNet

  从LeNet到NiN，每个模型都有着各自的特点

  但是有这么多选择，我们到底应该如何选择？

Inception块：我全都要

4个路径从不同层面抽取信息，然后在输出通道维合并

• 第一条路先进入一个1 *1的卷积层再输出
• 第二条路先通过一个1 * 1的卷积层对通道做变换，再通过一个pad为1的3 * 3的卷积层，使得输入和输出的高宽相同
• 第三条路先通过一个1 * 1的卷积层对通道数做变换，不改变高宽，但是再通过一个pad为2的5 * 5的卷积层提取空间信息特征，输入和输出还是等高等宽的
• 第四条路先通过一个pad为1的3 * 3的最大池化层，再通过一个1 * 1的卷积层

以上四种方式都没有改变输入的高和宽，因此对于Concatention操作我们只需要将其在通道数上做合并，因此输出只改变了输入的通道数

• 先确定总的输出通道数
• 对于认为比较重要的方向，尽可能给他分多的通道数
• 对于相对没那么重要的方向可以少分一点通道数
• 具体数值的设计可能就需要“炼丹”来确定了

为什么要用Inception块

• 跟单3x3或5x5卷积层比，Inception块有更少的参数个数和计算复杂度
  

GoogLeNet架构

• 一共分为5各阶段，使用了9个Inception块

• 最后使用了全局AvgPooling代替了全连接层

• Stage1&2（更小的宽口。可以支撑模型走得更深）
  

• Stage3
  

• Stage4&5
  

Inception的变种

• Inception-BN(v2)-使用batch normalization
• Inception-V3-修改了Inception:块
  • 替换5x5为多个3x3卷积层
  • 替换5x5为1x7和7x1卷积层
  • 替换3x3为1x3和3x1卷积层
  • 更深
• Inception-V4-使用残差连接
  
  
  
  总结
• Inception:块用4条有不同超参数的卷积层和池化层的路来抽取不同的信息
  • 它的一个主要优点是模型参数小，计算复杂度低
• GoogleNet使用了9个Inception块，是第一个达到上百层的网络
  • 后续有一系列改进