在《深度学习面试题20：GoogLeNet(InceptionV1)》和《深度学习面试题26：GoogLeNet(InceptionV2)》中对前两个Inception版本做了介绍，下面主要阐述V3版本的创新点使用非对称卷积分解大filtersInceptionV3中在网络较深的位置使用了非对称卷积，他的好处是在不降低...

 产生背景假设选用softmax交叉熵训练一个三分类模型，某样本经过网络最后一层的输出为向量x=(1.0,5.0,4.0)，对x进行softmax转换输出为：假设该样本y=[0,1,0]，那损失loss:按softmax交叉熵优化时，针对这个样本而言，会让0.721越来越接近于1，因为这样会减少loss，但是...

 产生背景之前在深度学习面试题16：小卷积核级联卷积VS大卷积核卷积中介绍过小卷积核的三个优势：①整合了三个非线性激活层，代替单一非线性激活层，增加了判别能力。②减少了网络参数。③减少了计算量在《RethinkingtheInceptionArchitectureforComputerVision》中作者还想...

 第一层卷积换为分离卷积 net=slim.separable_conv2d(inputs,depth(64),[7,7],depth_multiplier=depthwise_multiplier,stride=2,padding='SAME',weights_initializer=trunc_...

 举例分离卷积就是先在深度上分别卷积，然后再进行卷积，对应代码为：importtensorflowastf#[batch,in_height,in_width,in_channels]input=tf.reshape(tf.constant([2,5,3,3,8,2,6,1,1,2,5,4,7,9,2,3,-...

 举例如下张量x和卷积核K进行depthwise_conv2d卷积 结果为：depthwise_conv2d和conv2d的不同之处在于conv2d在每一深度上卷积，然后求和，depthwise_conv2d没有求和这一步，对应代码为：importtensorflowastf#[batch,in_h...

 直接定义的缺点在tensorflow中假设有一批输入为：其定义如下：tf.constant([[[[3,1,-3],[1,-1,7]],[[-2,2,-5],[2,7,3]]],[[[-1,3,1],[-3,-8,6]],[[4,6,8],[5,9,-5]]]],tf.float32)ViewCode这是一...

假设已经训练好一个带有BN操作的卷积神经网络，但是在使用它预测时，往往每次只输入一个样本，那么经过该网络时，计算平均值和方差的意义就不大了，常采用的策略是计算训练阶段的平均值和方差的指数移动平均，然后在预测阶段使用它们作为BN操作时的平均值和方差。指数移动平均假设变量xt随时间t变化，按照以下规则定义其指数移动平均值假...

 BN的由来BN是由Google于2015年提出，论文是《BatchNormalization_AcceleratingDeepNetworkTrainingbyReducingInternalCovariateShift》，这是一个深度神经网络训练的技巧，主要是让数据的分布变得一致，从而使得训练深层网络模型...

 简介2014年，GoogLeNet和VGG是当年ImageNet挑战赛(ILSVRC14)的双雄，GoogLeNet获得了第一名、VGG获得了第二名，这两类模型结构的共同特点是层次更深了。VGG继承了LeNet以及AlexNet的一些框架结构，而GoogLeNet则做了更加大胆的网络结构尝试，虽然深度只有2...

可以减少计算量，可以增加非线性判别能力举例假设有1个高为30、宽为40，深度为200的三维张量与55个高为5、宽为5、深度为200的卷积核same卷积，步长=1，则结果是高为30、宽为40、深度为55的三维张量，如图所示：该卷积过程的乘法计算量大约为5*5*200*30*40*55=330000000，这个计算量很大。...

网中网结构通过多个分支的运算（卷积或池化），将分支上的运算结果在深度上连接举例一个3*3*2的张量，与3个1*1*2的卷积核分别same卷积，步长=1，与2个2*2*2的卷积核分别same卷积，步长=1，与1个3*3*2的掩码最大值same池化，步长=1，将得到的这3个结果在深度方向上拼接GoogLeNet是基于类似网...

2014年，牛津大学计算机视觉组（VisualGeometryGroup）和GoogleDeepMind公司的研究员一起研发出了新的深度卷积神经网络：VGGNet，并取得了ILSVRC2014比赛分类项目的第二名（第一名是GoogLeNet，也是同年提出的）和定位项目的第一名。VGGNet探索了卷积神经网络的深度与其性...

 感受野在卷积神经网络中，感受野（ReceptiveField）的定义是卷积神经网络每一层输出的特征图（featuremap）上的像素点在输入图片上映射的区域大小。再通俗点的解释是，特征图上的一个点对应输入图上的区域，如下图所示： 返回目录 多个小卷积核连续卷积和单个大卷积核卷积的作用相同...

 在一些书籍和博客中所讲的卷积（一个卷积核和输入的对应位置相乘，然后累加）不是真正意义上的卷积。根据离散卷积的定义，卷积核是需要旋转180的。按照定义来说，一个输入和一个卷积核做卷积操作的流程是：①卷积核旋转180②对应位置相乘，然后累加举例下面这个图是常见的卷积运算图：中间的卷积核，其实是已经旋转过180度...