InceptionV1_V2

目录

不同大小的感受野去提取特征

经典 Inception 网络的设计思路与运行流程

背景任务：图像分类（以 CIFAR-10 数据集为例）

Inception 网络的设计思路

Inception 网络的运行流程

打个比方

多个损失函数的理解

1. 为什么需要多个损失函数？

2. 如何实现多个损失函数？

结合图片

通俗一点

流程

inception_v2相较于v1

Inception_v2 相较于 Inception_v1 的改进

1. 引入 Batch Normalization（应该叫层标准化）

2. 分解大卷积核

3. 使用 1x1 卷积进行降维

4. 优化 Inception 模块

5. 减少计算量

Inception_v2 的网络结构

通俗一点

不同大小的感受野去提取特征

多路并行的训练，计算多个loss，用多个相同的块去重复

对于复杂网络架构的神经网络来说，反向传播过程中，靠近输入层的参数难调(存在梯度消失问题)，靠近输出层的也难调(参数震荡幅度大，或者说相对幅度较大，因为最先)

|

|

|

经典 Inception 网络的设计思路与运行流程

背景任务：图像分类（以 CIFAR-10 数据集为例）

CIFAR-10 是一个包含 10 类彩色图像的数据集，每张图像大小为 32x32。我们的任务是训练一个模型，能够准确分类这些图像。

Inception 网络的设计思路

Inception 网络的核心思想是 “多尺度特征提取”。传统的卷积网络通常在同一层只使用一种尺寸的卷积核（如 3x3 或 5x5），而 Inception 网络在同一层中并行使用多种尺寸的卷积核（如 1x1、3x3、5x5），并通过 1x1 卷积核进行降维和特征融合。这种设计可以捕捉不同尺度的特征，同时减少计算量。

1. 多尺度卷积

• Inception 模块在同一层中并行使用：
  • 1x1 卷积：捕捉局部特征。
  • 3x3 卷积：捕捉中等范围特征。
  • 5x5 卷积：捕捉更大范围特征。
  • 最大池化：保留最显著的特征。
• 这种设计让网络能够同时捕捉不同尺度的特征，提高特征提取的多样性。

2. 1x1 卷积降维

• 在 3x3 和 5x5 卷积之前，使用 1x1 卷积减少通道数，降低计算量。
• 1x1 卷积还可以增加非线性，提升模型的表达能力。

3. 特征融合

• 将不同尺度的卷积结果在通道维度上拼接（concat），融合多尺度特征。
• 这种融合方式让网络能够综合利用不同层次的信息。

Inception 网络的运行流程

以下是一个简化的 Inception 模块在 CIFAR-10 分类任务中的运行流程：

1. 输入层

• 输入图像：32x32x3（CIFAR-10 的图像尺寸）。

2. 初始卷积层

• 使用一个 7x7 卷积层提取低级特征（如边缘、颜色）。
• 输出特征图：32x32x64。

3. Inception 模块

• 分支 1：1x1 卷积
  • 使用 1x1 卷积提取局部特征。
  • 输出特征图：32x32x64。
• 分支 2：3x3 卷积
  • 先使用 1x1 卷积降维，再使用 3x3 卷积提取中等范围特征。
  • 输出特征图：32x32x128。
• 分支 3：5x5 卷积
  • 先使用 1x1 卷积降维，再使用 5x5 卷积提取更大范围特征。
  • 输出特征图：32x32x32。
• 分支 4：最大池化
  • 使用 3x3 最大池化保留显著特征，再通过 1x1 卷积调整通道数。
  • 输出特征图：32x32x64。
• 特征融合
  • 将四个分支的输出在通道维度上拼接。
  • 最终输出特征图：32x32x288（64+128+32+64）。

4. 重复 Inception 模块

• 堆叠多个 Inception 模块，逐步提取更高级的特征。
• 每个模块的输出特征图尺寸逐渐减小，通道数逐渐增加。

5. 全局平均池化

• 使用全局平均池化将特征图压缩为固定长度的特征向量。
• 输出特征向量：288 维。

6. 全连接层

• 添加一个全连接层，将特征向量映射到 10 个类别（CIFAR-10 的 10 类）。
• 使用 Softmax 激活函数输出类别概率。

打个比方

想象一下，Inception 网络就像一个 多功能的侦探团队：

• 1x1 卷积：像是一个“细节专家”，专注于捕捉图像的局部细节（如边缘、颜色）。
• 3x3 卷积：像是一个“区域侦探”，负责分析中等范围的特征（如形状、纹理）。
• 5x5 卷积：像是一个“全局侦探”，负责捕捉更大范围的特征（如对象整体）。
• 最大池化：像是一个“总结专家”，负责保留最显著的特征。

这些侦探各自独立工作，然后将他们的发现（特征）汇总到一起，形成一个全面的报告（多尺度特征融合）。最后，这个报告被送到“决策层”（全连接层），由它来判断图像属于哪一类。

多个损失函数的理解

1. 为什么需要多个损失函数？

• 梯度消失问题：在深层网络中，梯度在反向传播过程中可能会逐渐变小，导致靠近输入层的参数更新缓慢，训练效果不佳。
• 更好的梯度传播：通过在网络的中间层添加辅助分类器，可以引入额外的损失函数，帮助梯度更好地传播到浅层，缓解梯度消失问题。
• 正则化效果：多个损失函数可以看作一种正则化方法，防止网络过拟合。

2. 如何实现多个损失函数？

• 辅助分类器：在网络的中间层（如 Inception 模块的某些阶段）添加一个额外的全连接层和 Softmax 层，用于计算辅助损失。
• 总损失：将主分类器的损失和辅助分类器的损失加权求和，作为最终的总损失。

结合图片

Inception 网络的结构中可能包含以下部分：

1. 主分类器：
   1. 通过多个卷积层（如 1x1、3x3、5x5）提取特征。
   2. 使用全局平均池化或全连接层（FC）生成最终的分类结果。
   3. 计算主损失（如交叉熵损失）。
2. 辅助分类器：
   1. 在网络的中间层（如某个 Inception 模块后）添加一个辅助分类器。
   2. 辅助分类器通常包括：
      1. 一个 1x1 卷积层（用于降维）。
      2. 一个全连接层（FC）。
      3. 一个 Softmax 层（用于计算类别概率）。
   3. 计算辅助损失（如交叉熵损失）。
3. 总损失：
   1. 将主损失和辅助损失加权求和，作为最终的总损失。
   2. 公式：总损失 = 主损失 + α * 辅助损失，其中 α 是一个权重系数（通常为 0.3 或 0.5）。

通俗一点

Inception 网络比作一个 多层级的工厂生产线：

• 主分类器：是最终的质检部门，负责对成品（最终特征）进行检查，判断产品是否合格（分类是否正确）。
• 辅助分类器：是中间环节的质检员，负责在半成品（中间特征）阶段进行检查，确保每个环节的质量。

如果在中间环节发现问题（辅助损失），工厂可以及时调整生产流程（更新网络参数），而不是等到最终环节才发现问题（主损失）。这种方式可以提高整体生产效率（训练效果），并减少次品率（过拟合）。

流程

1. 输入图像：
   1. 输入图像经过多个卷积层和 Inception 模块，提取特征。
2. 辅助分类器 1：
   1. 在某个中间层（如第 4 个 Inception 模块后）添加辅助分类器。
   2. 计算辅助损失 1。
3. 辅助分类器 2：
   1. 在另一个中间层（如第 8 个 Inception 模块后）添加辅助分类器。
   2. 计算辅助损失 2。
4. 主分类器：
   1. 在网络的最后，使用全局平均池化和全连接层生成最终分类结果。
   2. 计算主损失。
5. 总损失：
   1. 将主损失和辅助损失加权求和，作为最终的总损失。
   2. 公式：总损失 = 主损失 + 0.3 * 辅助损失 1 + 0.3 * 辅助损失 2。
6. 反向传播：
   1. 根据总损失更新网络参数，优化模型。

在inception网络里比较多的用交替训练或者total_loss，上面的流程是total_loss，而交替训练：先走input - loss0，再input - loss1..，最后input - loss_last，分块训练，使得前面的input(靠近输入层的数据)被更多的拟合

inception_v2相较于v1

新增BN：batch_normalization，层(批)归一化，在卷积层与池化层之间加入BN

Inception_v2 相较于 Inception_v1 的改进

Inception_v2 是 Inception 系列网络的第二个版本，相较于 Inception_v1（也称为 GoogLeNet），它引入了几项重要的改进，主要集中在 减少计算量 和 提高特征提取能力 上。

1. 引入 Batch Normalization（应该叫层标准化）

• 改进点：Inception_v2 在网络中广泛使用了 Batch Normalization（BN）。

数据分布的变化问题

在深层神经网络中，每一层的输入分布会随着训练的进行而发生变化，这种现象被称为 内部协变量偏移（Internal Covariate Shift）。具体来说：

• 每一层的参数更新会导致其输出的分布发生变化。
• 这种变化会传递到下一层，导致下一层的输入分布不稳定。
• 不稳定的输入分布会使得网络的训练变得困难，尤其是深层网络。

Batch Normalization (BN) 的本质

2. 分解大卷积核

• 改进点：将大的卷积核（如 5x5）分解为多个小的卷积核（如两个 3x3）。
• 作用：
  • 两个 3x3 卷积核的堆叠可以模拟一个 5x5 卷积核的感受野，但参数数量和计算量更少。
  • 增加了网络的非线性能力，因为每个卷积层后面都有激活函数。
• 通俗解释：
  • 就像用两个小筛子（3x3）代替一个大筛子（5x5），虽然筛子的层数增加了，但整体效率更高，筛出的东西（特征）也更精细。

3. 使用 1x1 卷积进行降维

• 改进点：在 3x3 和 5x5 卷积之前，使用 1x1 卷积减少通道数。
• 作用：
  • 1x1 卷积可以减少特征图的通道数，从而降低计算量。
  • 同时，1x1 卷积可以增加非线性，提升模型的表达能力。
• 通俗解释：
  • 1x1 卷积就像一个“压缩器”，它先把数据压缩一下，减少不必要的部分，然后再交给后面的工人（3x3 或 5x5 卷积）处理，这样既省力又高效。

4. 优化 Inception 模块

• 改进点：Inception_v2 对 Inception 模块进行了优化，使其更加高效。
• 具体优化：
  • 使用更多的 1x1 卷积进行降维。
  • 将 5x5 卷积分解为两个 3x3 卷积。
  • 在模块中引入 BN 层。
• 通俗解释：
  • 就像优化一个工厂的生产线，把复杂的工序拆分成更简单、更高效的步骤，同时加入质检员（BN）确保每一步的质量。

5. 减少计算量

• 改进点：通过上述方法，Inception_v2 显著减少了计算量。
• 作用：
  • 使得网络在保持高性能的同时，计算效率更高。
  • 更适合在资源有限的环境下运行。
• 通俗解释：
  • 就像把一辆耗油的大卡车换成几辆节能的小车，虽然车多了，但整体油耗更低，运输效率更高。（连续使用小的卷积核的好处）

Inception_v2 的网络结构

简化的 Inception_v2 网络结构示例：

1. 输入层：
   1. 输入图像：224x224x3。
2. 初始卷积层：
   1. 使用 7x7 卷积层提取低级特征。
   2. 输出特征图：112x112x64。
3. Inception 模块 1：
   1. 使用 1x1 卷积降维。
   2. 使用 3x3 卷积提取特征。
   3. 使用 BN 层加速训练。
   4. 输出特征图：56x56x192。
4. Inception 模块 2：
   1. 使用 1x1 卷积降维。
   2. 使用两个 3x3 卷积代替 5x5 卷积。
   3. 使用 BN 层加速训练。
   4. 输出特征图：28x28x480。
5. Inception 模块 3：
   1. 使用 1x1 卷积降维。
   2. 使用两个 3x3 卷积代替 5x5 卷积。
   3. 使用 BN 层加速训练。
   4. 输出特征图：14x14x832。
6. 全局平均池化层：
   1. 将特征图压缩为固定长度的特征向量。
   2. 输出特征向量：1024 维。
7. 全连接层：
   1. 添加一个全连接层，将特征向量映射到类别数（如 1000 类）。
   2. 使用 Softmax 激活函数输出类别概率。

通俗一点

Inception_v2 相较于v1好比一个 升级版的工厂：

• BN 工人：确保每个环节的输入都在合理范围内，提高整体效率。
• 小筛子（3x3 卷积）：代替大筛子（5x5 卷积），既省力又高效。
• 压缩器（1x1 卷积）：先把数据压缩一下，减少不必要的部分，提高处理效率。
• 优化生产线（Inception 模块）：把复杂的工序拆分成更简单、更高效的步骤，同时加入质检员（BN）确保每一步的质量。

Inception_v2 引入了 BN，通过批标准化策略，将每一层的输入分布调整为均值为 0、标准差为 1 的分布。这种操作稳定了数据在浅层向深层传递的过程，使得每一层的输入分布更加一致，从而更好地保留了数据间的内部关系。

BN 有效缓解了随着网络加深而出现的梯度消失问题。梯度消失的原因在于，如果不使用 BN，每一层的输入分布可能会随着训练发生变化，导致激活函数的输入值落入饱和区（如 Sigmoid 函数的两端），使得梯度在反向传播过程中逐渐变小，最终导致梯度消失。BN 通过稳定输入分布，使得激活函数的输入值落在其敏感区间内，从而避免了梯度饱和，缓解了梯度消失问题。