blog.csdn.net/xbinworld：算法机器学习技术交流，从深度学习结构到Google的Inception和Xception 加强营销推广方案_网络推广

blog.csdn.net/xbinworld：算法机器学习技术交流，从深度学习结构到Google的Inception和Xception 加强营销推广方案

栏目：网络推广发布时间：2026-02-03

欢迎转载，请指出：本文来自bin列/。技术交换QQ组：欢迎加入对算法和机器学习技术感兴趣的学生。上一篇文章谈到了深度学习方法（10）：卷积神经网络结构的结

欢迎转载，请指出：本文来自bin列/。

技术交换QQ组：欢迎加入对算法和机器学习技术感兴趣的学生。

上一篇文章谈到了深度学习方法（10）：卷积神经网络结构的结构 - in，of the系列网络，这是关于本文的，且仍然存在的。（提示，人们仍然给出了很多好主意。我希望读者和朋友和我可以提出自己的想法并在理解纸张时实现它。）

如果您想看到，只需将其拉到末端并具有手绘图即可。

V1-V4 V1：

V1口头说。在先前的深度学习方法（5）中：CNN的卷积神经网络CNN模型的经典模型，vgg，深层介绍。这是另一个创新点：

图1

为了提高CNN的网络功能，例如分类的准确性，总体想法是增加网络。例如，它确实比早期的LENET大得多，但是它纯粹是在增加网络 - 就像每层数量增加一倍一样 - 但是这样做有两个缺点 - too许多参数易于拟合，而数量则是网络计算的数量将变得越来越大。

以下重点：目前，许多工作证明是，如果您想增强网络功能，则可以：增加网络的深度并增加网络的宽度；但是，为了减少过度拟合，您还必须减少免费参数。因此，自然存在网络结构的第一个版本 - 在同一层中，有不同的卷积模板，卷积1* 1，3* 3，5* 5。它也是一个混合模型。因为Max本身也具有特征性的提取，并且与卷积不同，因此作为分支，不会过分拟合参数。但是，直接这样做，整个网络计算量将很大，并且水平不会加深。因此，在3*3和5*5卷积之前进行1*1卷积以减少输入数量。网络变得更深，计算量同时较小。（每次卷积之后，都有恢复）

V2-V3：

V2和V3相对较近，因此您不会绝对区分它，您可以看到[3]。让我们谈谈创新点：

首先，有两层堆叠的3*3，而不是5*5层。我们可以看到，参数的数量较少，计算量较小，但是层的数量变得更暗，效果更好：

使用1*3和3*1卷积替换3*3卷积。计算量要少得多，深度变得更深，并且想法是相同的。（实际上，1*n和n*1替换n*n，n可以更改）

将其放在结构中，以下是原始的

下图5-6-7是一个改进的版本：

整体网络结构：

我们看到在整个过程中不使用它，而是在图像相对较小的图像中使用，并且图5-6-7的结构依次使用，并且适用于不同尺寸的图像。

v4：

V4可以研究模块结合吗？发现的结构可以极大地加速培训，同时提高了性能。获取A-V2网络。同时，可以设计更深入，更优化的V4模型，以实现性能可比的v2 [7]

-v1和-v2全部用于此结构，差异在下图中的评论中。

本文是各种微型结构的变化。我对在此处发布没有兴趣。我希望读者能移动论文[4]，找到相应的图形号码，然后看看。

实际上，我也有疑问。尽管纸总是可以说出一些方法，但结果确实有一些改进，但是它的设计采用完全不同的微型结构，用于不同级别。这会在模式下太统一吗？它是否以更简洁和统一的方式实现相同的效果？我相信有。我觉得V1的模型非常简单，并且跳跃结构也非常简单，美丽，但是当V4是V4时，结构发生了太大变化。很难理解为什么有必要？ **

就像我们过去参加电影推荐比赛一样。最终结果通常是多模型的混合，但我个人对最有效的单个模型的样子最感兴趣。

非常新的工作[5]，前面提到的许多网络，那么网络的限制是什么？极端版本之一是如下：

1*1卷积后，对每个卷积进行3*3*3的独立卷积，然后进行。据认为，每个转换都与交叉无关。

[5]作者的建议，或简而言之，是以下方式：首先做 - conv，然后超过1*1的卷积，中间没有依赖，最后是relu。

上面提到的两个结构之间的区别，本文中的本段非常明显：

整个网络结构：

好的，作为记录和指导，本文在这里，让每个人都找到更多的结构设计思想。

参考信息

以下参考文章的数据部分也带来了测试错误

[1]进行，6.67％的测试错误

[2]批次：偏移深处，4.8％的测试错误

[3] for，3.5％的测试错误