1 概述

GoogLeNet關(guān)鍵點(diǎn)：

保證算力情況下增大寬度和深度
寬度：利用Inception結(jié)構(gòu)同時(shí)執(zhí)行多個(gè)網(wǎng)絡(luò)結(jié)構(gòu)
深度：利用輔助分類器防止梯度消失
多尺度訓(xùn)練和預(yù)測(cè)
適用于多種計(jì)算機(jī)視覺任務(wù)

多尺度訓(xùn)練對(duì)全卷積網(wǎng)絡(luò)有效，一般設(shè)置幾種不同尺度的圖片，訓(xùn)練時(shí)每隔一定iterations隨機(jī)選取一種尺度訓(xùn)練。這樣訓(xùn)練出來(lái)的模型魯棒性強(qiáng)，其可以接受任意大小的圖片作為輸入，使用尺度小的圖片測(cè)試速度會(huì)快些，但準(zhǔn)確度低，用尺度大的圖片測(cè)試速度慢，但是準(zhǔn)確度高。

例如：訓(xùn)練的時(shí)候，把圖片縮放到不同大小輸入給同一個(gè)網(wǎng)絡(luò)，網(wǎng)絡(luò)就能看到不一樣大小范圍的內(nèi)容，然后就叫做多尺度訓(xùn)練；好處是可以適應(yīng)不同尺度的輸入，泛化性好。把一個(gè)特征層用由不同感受野的卷積核組成的網(wǎng)絡(luò)層（例如SPP）處理，這層網(wǎng)絡(luò)的同一個(gè)像素位置就能看到不同范圍的上層特征，就叫做多尺度特征融合；好處是能考慮到不同范圍的空間特征上下文（例如頭發(fā)下面一般會(huì)有一張臉）。把一個(gè)網(wǎng)絡(luò)中不同深度的層做融合：淺層感受野小，分辨率大，能夠處理并保存小尺度的幾何特征；高層感受野大，分辨率小，能夠處理并保存大尺度的語(yǔ)義特征。這也叫做多尺度特征融合；好處是能夠?qū)⒄Z(yǔ)義特征和幾何特征進(jìn)行融合（例如這塊區(qū)域是頭發(fā)，低分辨率圖上的分界線一般是線狀特征和非線狀特征的邊界）。
下面根據(jù)論文的順序介紹該模型：

1、比賽成績(jī)：

ILSVRC14分類任務(wù)第一（classification）、檢測(cè)任務(wù)第一（detection）。GoogLeNet和VGGNet同時(shí)期，根據(jù)VGGNet的論文，單模型VGGNet更好，但七個(gè)模型集成之后GoogLeNet更好

2、背景介紹：

GoogLeNet是一個(gè)基于Hebbian法則和多尺度處理構(gòu)建的網(wǎng)絡(luò)結(jié)構(gòu)，共有22層，相較于當(dāng)時(shí)兩年前的AlexNet參數(shù)少了12倍，但精確率提高了很多；不僅能用于分類任務(wù)，還可以用于檢測(cè)任務(wù)。

在目標(biāo)檢測(cè)領(lǐng)域中，最大的提升并不是來(lái)自于使用更大更深的網(wǎng)絡(luò)，而是將傳統(tǒng)CV方法和更深的網(wǎng)絡(luò)結(jié)構(gòu)結(jié)合在一起，比如R-CNN：先利用低層語(yǔ)義信息找到bbox，再用CNN進(jìn)行分類。

由于移動(dòng)設(shè)備和嵌入式計(jì)算的發(fā)展，算法的效率即精確率和內(nèi)存占用變得很重要，GoogLeNet考慮到了這一點(diǎn)，并權(quán)衡了這兩者的關(guān)系。一個(gè)好的模型應(yīng)當(dāng)不僅有學(xué)術(shù)性，而且還能應(yīng)用于真實(shí)世界中。

Inception結(jié)構(gòu)的想法來(lái)源：

之前的研究中有人利用多個(gè)不同尺寸的Gabor濾波器處理多尺度問題（其實(shí)這個(gè)想法是來(lái)源于靈長(zhǎng)類動(dòng)物的視覺皮質(zhì)的神經(jīng)科學(xué)模型），但模型層數(shù)太少，而GoogLeNet將Inception重復(fù)很多次以此實(shí)現(xiàn)22層的網(wǎng)絡(luò)結(jié)構(gòu)
1 x 1卷積的想法來(lái)源于NiN

3、動(dòng)機(jī)和高層次的考慮：

將網(wǎng)絡(luò)設(shè)計(jì)得更寬、更深的問題：

容易過(guò)擬合
計(jì)算資源有限且越大的網(wǎng)絡(luò)利用率未必高（如參數(shù)很多0）
為了解決這兩個(gè)問題，需要將FC層或卷積層轉(zhuǎn)換成稀疏連接的結(jié)構(gòu)（這一點(diǎn)除了是模仿生物以外，有堅(jiān)實(shí)的理論基礎(chǔ)），但使用稀疏連接的結(jié)構(gòu)會(huì)導(dǎo)致硬件效率變低（更均勻的網(wǎng)絡(luò)結(jié)構(gòu)、卷積核和更大的batch size才能使計(jì)算效率更高），可以將稀疏矩陣合并成相對(duì)稠密的子矩陣，以此解決稀疏矩陣相乘的問題。

2 版本

GoogLeNet Incepetion V1
GoogLeNet Inception V2
GoogLeNet憑借其優(yōu)秀的表現(xiàn)，得到了很多研究人員的學(xué)習(xí)和使用，因此Google團(tuán)隊(duì)又對(duì)其進(jìn)行了進(jìn)一步發(fā)掘改進(jìn)，產(chǎn)生了升級(jí)版本的GoogLeNet。這一節(jié)介紹的版本記為V2，文章為：《Rethinking the Inception Architecture for Computer Vision》。
用nx1卷積來(lái)代替大卷積核，這里設(shè)定n=7來(lái)應(yīng)對(duì)17x17大小的feature map。該結(jié)構(gòu)被正式用在GoogLeNet V2中。

3 含并行連結(jié)的網(wǎng)絡(luò)（GoogLeNet）

3.1 Inception塊

在GoogLeNet中，基本的卷積塊被稱為Inception塊（Inception block）。這很可能得名于電影《盜夢(mèng)空間》（Inception），因?yàn)殡娪爸械囊痪湓挕拔覀冃枰叩酶睢保ā癢e need to go deeper”）。

Inception塊由四條并行路徑組成。
前三條路徑使用窗口大小為

、

和

的卷積層，從不同空間大小中提取信息。
中間的兩條路徑在輸入上執(zhí)行

卷積，以減少通道數(shù)，從而降低模型的復(fù)雜性。
第四條路徑使用

最大匯聚層，然后使用

卷積層來(lái)改變通道數(shù)。
這四條路徑都使用合適的填充來(lái)使輸入與輸出的高和寬一致，最后我們將每條線路的輸出在通道維度上連結(jié)，并構(gòu)成Inception塊的輸出。在Inception塊中，通常調(diào)整的超參數(shù)是每層輸出通道的數(shù)量。

import torch
from torch import nn
from torch.nn import functional as F
from d2l import torch as d2l


class Inception(nn.Module):
    # `c1`--`c4` 是每條路徑的輸出通道數(shù)
    def __init__(self, in_channels, c1, c2, c3, c4, **kwargs):
        super(Inception, self).__init__(**kwargs)
        # 線路1，單1 x 1卷積層
        self.p1_1 = nn.Conv2d(in_channels, c1, kernel_size=1)
        # 線路2，1 x 1卷積層后接3 x 3卷積層
        self.p2_1 = nn.Conv2d(in_channels, c2[0], kernel_size=1)
        self.p2_2 = nn.Conv2d(c2[0], c2[1], kernel_size=3, padding=1)
        # 線路3，1 x 1卷積層后接5 x 5卷積層
        self.p3_1 = nn.Conv2d(in_channels, c3[0], kernel_size=1)
        self.p3_2 = nn.Conv2d(c3[0], c3[1], kernel_size=5, padding=2)
        # 線路4，3 x 3最大匯聚層后接1 x 1卷積層
        self.p4_1 = nn.MaxPool2d(kernel_size=3, stride=1, padding=1)
        self.p4_2 = nn.Conv2d(in_channels, c4, kernel_size=1)

    def forward(self, x):
        p1 = F.relu(self.p1_1(x))
        p2 = F.relu(self.p2_2(F.relu(self.p2_1(x))))
        p3 = F.relu(self.p3_2(F.relu(self.p3_1(x))))
        p4 = F.relu(self.p4_2(self.p4_1(x)))
        # 在通道維度上連結(jié)輸出
        return torch.cat((p1, p2, p3, p4), dim=1)

那么為什么GoogLeNet這個(gè)網(wǎng)絡(luò)如此有效呢？首先我們考慮一下濾波器（filter）的組合，它們可以用各種濾波器尺寸探索圖像，這意味著不同大小的濾波器可以有效地識(shí)別不同范圍的圖像細(xì)節(jié)。同時(shí)，我們可以為不同的濾波器分配不同數(shù)量的參數(shù)。

3.2 結(jié)構(gòu)

GoogLeNet 一共使用 9 個(gè)Inception塊和全局平均匯聚層的堆疊來(lái)生成其估計(jì)值。Inception塊之間的最大匯聚層可降低維度。
第一個(gè)模塊類似于 AlexNet 和 LeNet，Inception塊的棧從VGG繼承，全局平均匯聚層避免了在最后使用全連接層。

現(xiàn)在，我們逐一實(shí)現(xiàn)GoogLeNet的每個(gè)模塊。第一個(gè)模塊使用 64 個(gè)通道、

卷積層。

b1 = nn.Sequential(nn.Conv2d(1, 64, kernel_size=7, stride=2, padding=3),
                   nn.ReLU(),
                   nn.MaxPool2d(kernel_size=3, stride=2, padding=1))

第二個(gè)模塊使用兩個(gè)卷積層：第一個(gè)卷積層是 64個(gè)通道、卷積層；第二個(gè)卷積層使用將通道數(shù)量增加三倍的卷積層。
這對(duì)應(yīng)于 Inception 塊中的第二條路徑。

b2 = nn.Sequential(nn.Conv2d(64, 64, kernel_size=1),
                   nn.ReLU(),
                   nn.Conv2d(64, 192, kernel_size=3, padding=1),
                   nn.MaxPool2d(kernel_size=3, stride=2, padding=1))

第三個(gè)模塊串聯(lián)兩個(gè)完整的Inception塊。
第一個(gè) Inception 塊的輸出通道數(shù)為，四個(gè)路徑之間的輸出通道數(shù)量比為。
第二個(gè)和第三個(gè)路徑首先將輸入通道的數(shù)量分別減少到和，然后連接第二個(gè)卷積層。第二個(gè) Inception 塊的輸出通道數(shù)增加到，四個(gè)路徑之間的輸出通道數(shù)量比為。
第二條和第三條路徑首先將輸入通道的數(shù)量分別減少到和。

b3 = nn.Sequential(Inception(192, 64, (96, 128), (16, 32), 32),
                   Inception(256, 128, (128, 192), (32, 96), 64),
                   nn.MaxPool2d(kernel_size=3, stride=2, padding=1))

第四模塊更加復(fù)雜，
它串聯(lián)了5個(gè)Inception塊，其輸出通道數(shù)分別是、、、和。
這些路徑的通道數(shù)分配和第三模塊中的類似，首先是含卷積層的第二條路徑輸出最多通道，其次是僅含卷積層的第一條路徑，之后是含卷積層的第三條路徑和含最大匯聚層的第四條路徑。
其中第二、第三條路徑都會(huì)先按比例減小通道數(shù)。
這些比例在各個(gè) Inception 塊中都略有不同。

b4 = nn.Sequential(Inception(480, 192, (96, 208), (16, 48), 64),
                   Inception(512, 160, (112, 224), (24, 64), 64),
                   Inception(512, 128, (128, 256), (24, 64), 64),
                   Inception(512, 112, (144, 288), (32, 64), 64),
                   Inception(528, 256, (160, 320), (32, 128), 128),
                   nn.MaxPool2d(kernel_size=3, stride=2, padding=1))

第五模塊包含輸出通道數(shù)為和的兩個(gè)Inception塊。
其中每條路徑通道數(shù)的分配思路和第三、第四模塊中的一致，只是在具體數(shù)值上有所不同。
需要注意的是，第五模塊的后面緊跟輸出層，該模塊同 NiN 一樣使用全局平均匯聚層，將每個(gè)通道的高和寬變成1。
最后我們將輸出變成二維數(shù)組，再接上一個(gè)輸出個(gè)數(shù)為標(biāo)簽類別數(shù)的全連接層。

b5 = nn.Sequential(Inception(832, 256, (160, 320), (32, 128), 128),
                   Inception(832, 384, (192, 384), (48, 128), 128),
                   nn.AdaptiveAvgPool2d((1,1)),
                   nn.Flatten())

net = nn.Sequential(b1, b2, b3, b4, b5, nn.Linear(1024, 10))

X = torch.rand(size=(1, 1, 96, 96))
for layer in net:
    X = layer(X)
    print(layer.__class__.__name__,'output shape:\t', X.shape)

nn.AdaptiveAvgPool2d((1,1)),也做個(gè)一個(gè)降維度哦！

4 訓(xùn)練

使用 Fashion-MNIST 數(shù)據(jù)集來(lái)訓(xùn)練我們的模型。在訓(xùn)練之前，我們將圖片轉(zhuǎn)換為 $96 \times 96$ 分辨率。

lr, num_epochs, batch_size = 0.1, 10, 128
train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size, resize=96)
d2l.train_ch6(net, train_iter, test_iter, num_epochs, lr, d2l.try_gpu())

5 總結(jié)

Inception 塊相當(dāng)于一個(gè)有4條路徑的子網(wǎng)絡(luò)。它通過(guò)不同窗口形狀的卷積層和最大匯聚層來(lái)并行抽取信息，并使用卷積層減少每像素級(jí)別上的通道維數(shù)從而降低模型復(fù)雜度。
GoogLeNet將多個(gè)設(shè)計(jì)精細(xì)的Inception塊與其他層（卷積層、全連接層）串聯(lián)起來(lái)。其中Inception塊的通道數(shù)分配之比是在 ImageNet 數(shù)據(jù)集上通過(guò)大量的實(shí)驗(yàn)得來(lái)的。