🍊作者简介：秃头小苏，致力于用最通俗的语言描述问题
🍊专栏推荐：深度学习网络原理与实战
🍊近期目标：写好专栏的每一篇文章
🍊支持小苏：点赞👍🏼、收藏⭐、留言📩
GoogleNet
GoogleNet是2014年ILSVRC分类比赛冠军 ，在介绍完整的GoogleNet的网络结构之前，我们先来介绍其子结构——Inception，GoogleNet就是由这样的一个个Inception组成的。Inception结构如下：
可以看出，Inception结构将原始的图像进行了三种不同大小的卷积操作及一次池化操作，然后将四次操作得到的特征图结合在一些得到一个大的特征图。这样的拼接操作可以融合不同尺度的特征，最后的特征图包含不同感受野的信息。【注意：这里的卷积池化操作得到的一个特征图的大小必须是一样的，这样才可以将它们拼接在一起，这就要求需要设置不同的步长s和padding,y以达到输入输出前后特征图大小一致的效果（这里再插一句，往往用3*3的卷积核进行卷积，则采用s=1,padding=0可使输入输出前后特征图大小不变；对应5*5的卷积核，则需要设置s=1,padding=2）】
在GoogleNet的论文中对上图的Inception结构进行了改善，即在3x3和5x5的过滤器前面，maxpooling后分别加上了1x1的卷积核，因为这样可以大大减少参数量。结构如下图所示：
对于为什么加上1x1的卷积之后，参数量变少了，我们给出以下解释【拿之前的5*5的卷积和后面的加上1*1的卷积举例】
通过上图可以很明显的发现：当加入1x1的卷积后参数大大减少了。
在解释了Inception模块后，GoogleNet的结构就很清晰了，主要由9个Inception模块，如下图所示：【需要注意的是在网络中4a和4d模块增加了2个额外的softmax层，但是这部分在网络测试过程中是不需要的】
这部分就不解释每一步的特征图变化了（实在太多了😭😭😭）我相信前面的大家会了的话，这里是很容易推导的！！！方便大家推导，再附上论文中自带的每次输入输出变化的情况图表，如下图所示：
这个图开始看可能不是很懂，这里给出论文中的解释就会明白了，如下图所示：【注意：上表中param表示需要参数的量，但我计算的结果（也找了一些资料验证）表明上表结果是不正确的，大家也可以算算看！！！】