環境：Win8.1 TensorFlow1.0.1

軟體：Anaconda3 （整合Python3及開發環境）

TensorFlow安裝：pip install tensorflow (CPU版) pip install tensorflow-gpu (GPU版)

TFLearn安裝：pip install tflearn

參考：

1. Inception[V1]: Going Deeper with Convolutions

2. Inception[V2]: Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift

3. Inception[V3]: Rethinking the Inception Architecture for Computer Vision

4. Inception[V4]: Inception-v4, Inception-ResNet and the Impact of Residual Connections on Learning

1. 前言

上篇介紹的 NIN 在改造傳統 CNN 結構上作出了矚目貢獻，通過 Mlpconv Layer 和 Global Average Pooling 建立的網路模型在多個數據集上取得了不錯的結果，同時將訓練引數控制在 AlexNet

引數量的 1/12。

本文將要介紹的是在 ILSVRC 2014 取得了最好的成績的 GoogLeNet，及其核心結構—— Inception。早期的V1 結構借鑑了 NIN 的設計思路，對網路中的傳統卷積層進行了修改，針對限制深度神經網路效能的主要問題，一直不斷改進延伸到 V4：

• 引數空間大，容易過擬合，且訓練資料集有限；
• 網路結構複雜，計算資源不足，導致難以應用；
• 深層次網路結構容易出現梯度彌散，模型效能下降。

2. Inception

GoogLeNet 對網路中的傳統卷積層進行了修改，提出了被稱為 Inception

的結構，用於增加網路深度和寬度，提高深度神經網路效能。

其各個版本的設計思路：

2.1 Inception V1

Naive Inception

Inception module 的提出主要考慮多個不同 size 的卷積核能夠增強網路的適應力，paper 中分別使用1*1、3*3、5*5卷積核，同時加入3*3 max pooling。

 
隨後文章指出這種 naive 結構存在著問題：每一層 Inception module 的 filters 引數量為所有分支上的總數和，多層 Inception 最終將導致 model 的引數數量龐大，對計算資源有更大的依賴。

在 NIN 模型中與1*1卷積層等效的 MLPConv 既能跨通道組織資訊，提高網路的表達能力，同時可以對輸出有效進行降維，因此文章提出了Inception module with dimension reduction，在不損失模型特徵表示能力的前提下，儘量減少 filters 的數量，達到降低模型複雜度的目的：

Inception Module

Inception Module 的4個分支在最後通過一個聚合操作合併（在輸出通道數這個維度上聚合，在 TensorFlow 中使用 tf.concat(3, [], []) 函式可以實現合併）。

完整的 GoogLeNet 結構在傳統的卷積層和池化層後面引入了 Inception 結構，對比 AlexNet 雖然網路層數增加，但是引數數量減少的原因是絕大部分的引數集中在全連線層，最終取得了 ImageNet 上 6.67% 的成績。

2.2 Inception V2

Inception V2 學習了 VGG 用兩個3´3的卷積代替5´5的大卷積，在降低引數的同時建立了更多的非線性變換，使得 CNN 對特徵的學習能力更強：

兩個3´3的卷積層功能類似於一個5´5的卷積層

另外提出了著名的 Batch Normalization（以下簡稱BN）方法。BN 是一個非常有效的正則化方法，可以讓大型卷積網路的訓練速度加快很多倍，同時收斂後的分類準確率也可以得到大幅提高。BN 在用於神經網路某層時，會對每一個 mini-batch 資料的內部進行標準化（normalization）處理，使輸出規範化到 N(0,1) 的正態分佈，減少了 Internal Covariate Shift（內部神經元分佈的改變）。

補充：在 TensorFlow 1.0.0 中採用 tf.image.per_image_standardization() 對影象進行標準化，舊版為 tf.image.per_image_whitening。

BN 的論文指出，傳統的深度神經網路在訓練時，每一層的輸入的分佈都在變化，導致訓練變得困難，我們只能使用一個很小的學習速率解決這個問題。而對每一層使用 BN 之後，我們就可以有效地解決這個問題，學習速率可以增大很多倍，達到之前的準確率所需要的迭代次數只有1/14，訓練時間大大縮短。而達到之前的準確率後，可以繼續訓練，並最終取得遠超於 Inception V1 模型的效能—— top-5 錯誤率 4.8%，已經優於人眼水平。因為 BN 某種意義上還起到了正則化的作用，所以可以減少或者取消 Dropout 和 LRN，簡化網路結構。

2.3 Inception V3

                     

將一個3´3卷積拆成1´3卷積和3´1卷積

一是引入了 Factorization into small convolutions 的思想，將一個較大的二維卷積拆成兩個較小的一維卷積，比如將7´7卷積拆成1´7卷積和7´1卷積，或者將3´3卷積拆成1´3卷積和3´1卷積，如上圖所示。一方面節約了大量引數，加速運算並減輕了過擬合（比將7´7卷積拆成1´7卷積和7´1卷積，比拆成3個3´3卷積更節約引數），同時增加了一層非線性擴充套件模型表達能力。論文中指出，這種非對稱的卷積結構拆分，其結果比對稱地拆為幾個相同的小卷積核效果更明顯，可以處理更多、更豐富的空間特徵，增加特徵多樣性。

另一方面，Inception V3 優化了 Inception Module 的結構，現在 Inception Module 有35´35、17´17和8´8三種不同結構。這些 Inception Module 只在網路的後部出現，前部還是普通的卷積層。並且 Inception V3 除了在 Inception Module 中使用分支，還在分支中使用了分支（8´8的結構中），可以說是Network In Network In Network。最終取得 top-5 錯誤率 3.5%。

2.4 Inception V4

Inception V4 相比 V3 主要是結合了微軟的 ResNet，將錯誤率進一步減少到 3.08%。

3. GoogLeNet V1

例如，在 tflearn 的 googlenet.py 中，定義 Inception(3a) 中的分支結構，用 merge 函式合併 feature map：

  

   

    
     
    
    
     
      network = input_data(shape=[
      None, 
      227, 
      227, 
      3])
     
    
   

    
     
    
    
     
      conv1_7_7 = conv_2d(network, 
      64, 
      7, strides=
      2, activation=
      'relu', name = 
      'conv1_7_7_s2')
     
    
   

    
     
    
    
     
      pool1_3_3 = max_pool_2d(conv1_7_7, 
      3,strides=
      2)
     
    
   

    
     
    
    
     
      pool1_3_3 = local_response_normalization(pool1_3_3)
     
    
   

    
     
    
    
     
      conv2_3_3_reduce = conv_2d(pool1_3_3, 
      64,
      1, activation=
      'relu',name = 
      'conv2_3_3_reduce')
     
    
   

    
     
    
    
     
      conv2_3_3 = conv_2d(conv2_3_3_reduce, 
      192,
      3, activation=
      'relu', name=
      'conv2_3_3')
     
    
   

    
     
    
    
     
      conv2_3_3 = local_response_normalization(conv2_3_3)
     
    
   

    
     
    
    
     
      pool2_3_3 = max_pool_2d(conv2_3_3, kernel_size=
      3, strides=
      2, name=
      'pool2_3_3_s2')
     
    
   

    
     
    
    
     
      inception_3a_1_1 = conv_2d(pool2_3_3, 
      64, 
      1, activation=
      'relu', name=
      'inception_3a_1_1')
     
    
   

    
     
    
    
     
      inception_3a_3_3_reduce = conv_2d(pool2_3_3, 
      96,
      1, activation=
      'relu', name=
      'inception_3a_3_3_reduce')
     
    
   

    
     
    
    
     
      inception_3a_3_3 = conv_2d(inception_3a_3_3_reduce, 
      128,filter_size=
      3,  activation=
      'relu', name = 
      'inception_3a_3_3')
     
    
   

    
     
    
    
     
      inception_3a_5_5_reduce = conv_2d(pool2_3_3,
      16, filter_size=
      1,activation=
      'relu', name =
      'inception_3a_5_5_reduce' )
     
    
   

    
     
    
    
     
      inception_3a_5_5 = conv_2d(inception_3a_5_5_reduce, 
      32, filter_size=
      5, activation=
      'relu', name= 
      'inception_3a_5_5')
     
    
   

    
     
    
    
     
      inception_3a_pool = max_pool_2d(pool2_3_3, kernel_size=
      3, strides=
      1, )
     
    
   

    
     
    
    
     
      inception_3a_pool_1_1 = conv_2d(inception_3a_pool, 
      32, filter_size=
      1, activation=
      'relu', name=
      'inception_3a_pool_1_1')
     
    
   

    
     
    
    
      
     
    
   

    
     
    
    
     
      # merge the inception_3a__
     
    
   

    
     
    
    
     
      inception_3a_output = merge([inception_3a_1_1, inception_3a_3_3, inception_3a_5_5, inception_3a_pool_1_1], mode=
      'concat', axis=
      3)
     
    
  
  

最後對於 Inception(5b) 的7*7*1024的輸出採用7*7的 avg pooling，40%的 Dropout 和 softmax：

  

   

    
     
    
    
     
      pool5_7_7 = avg_pool_2d(inception_5b_output, kernel_size=
      7, strides=
      1)
     
    
   

    
     
    
    
     
      pool5_7_7 = dropout(pool5_7_7, 
      0.4)
     
    
   

    
     
    
    
     
      loss = fully_connected(pool5_7_7, 
      17,activation=
      'softmax')
     
    
  
  

由於解決 Oxford 17 類鮮花 資料集分類任務，最後的輸出通道設為17。

4. 總結

Inception V1——構建了1x1、3x3、5x5的 conv 和3x3的 pooling 的分支網路，同時使用 MLPConv 和全域性平均池化，擴寬卷積層網路寬度，增加了網路對尺度的適應性；

Inception V2——提出了 Batch Normalization，代替 Dropout 和 LRN，其正則化的效果讓大型卷積網路的訓練速度加快很多倍，同時收斂後的分類準確率也可以得到大幅提高，同時學習 VGG 使用兩個3´3的卷積核代替5´5的卷積核，在降低引數量同時提高網路學習能力；

Inception V3——引入了 Factorization，將一個較大的二維卷積拆成兩個較小的一維卷積，比如將3´3卷積拆成1´3卷積和3´1卷積，一方面節約了大量引數，加速運算並減輕了過擬合，同時增加了一層非線性擴充套件模型表達能力，除了在 Inception Module 中使用分支，還在分支中使用了分支（Network In Network In Network）；

Inception V4——研究了 Inception Module 結合 Residual Connection，結合 ResNet 可以極大地加速訓練，同時極大提升效能，在構建 Inception-ResNet 網路同時，還設計了一個更深更優化的 Inception v4 模型，能達到相媲美的效能。