含并行连结的网络GoogLeNet

一、概述

在 2014 年的 ImageNet 图像识别挑战赛中，GoogLeNet 这个网络架构大放异彩。它吸收了 NiN 中串联网络的思想，并在此基础上做了改进。这篇论文的一个重点是解决了什么样大小的卷积核最合适的问题，毕竟以前流行的网络使用小到 1×1，大到 11×11 的卷积核。GoogLeNet 的一个观点是，有时使用不同大小的卷积核组合是有利的。

二、Inception 块：GoogLeNet 的核心

在 GoogLeNet 中，基本的卷积块被称为Inception 块（Inception block），这很可能得名于电影《盗梦空间》（Inception），因为电影中的一句话 “我们需要走得更深”（“We need to go deeper”）。

Inception 块的结构

1. Inception 块的结构

Inception 块由四条并行路径组成，就像四个不同的 “探测器”，从不同的角度提取图像的特征：

1. 第一条路径：用 1×1 的卷积层，从每个像素的不同通道里提取特征，相当于做一个 “像素级” 的特征提取。

2. 第二条路径：先用 1×1 的卷积层减少通道数，降低模型的复杂性，然后用 3×3 的卷积层，从更大的范围提取特征，相当于看 “小范围的局部特征”。

3. 第三条路径：先用 1×1 的卷积层减少通道数，然后用 5×5 的卷积层，从更大的范围提取特征，相当于看 “更大范围的局部特征”。

4. 第四条路径：先用 3×3 的最大汇聚层，提取局部的最大特征，然后用 1×1 的卷积层改变通道数，相当于做一个 “局部的特征汇总”。

这四条路径都使用合适的填充来使输入与输出的高和宽一致，最后我们将每条线路的输出在通道维度上连结，就得到了 Inception 块的输出。

2. 为什么 Inception 块这么有效？

首先，它可以用各种不同大小的滤波器探索图像，不同大小的滤波器可以有效地识别不同范围的图像细节，比如小的滤波器识别小的细节（比如眼睛、鼻子），大的滤波器识别大的特征（比如整个脸）。同时，我们可以为不同的滤波器分配不同数量的参数，让模型更高效。

3. 代码实现（PyTorch 版）

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是每条路径的输出通道数
    def __init__(self, in_channels, c1, c2, c3, c4, **kwargs):
        super(Inception, self).__init__(**kwargs)
        # 线路1，单1x1卷积层
        self.p1_1 = nn.Conv2d(in_channels, c1, kernel_size=1)
        # 线路2，1x1卷积层后接3x3卷积层
        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)
        # 线路3，1x1卷积层后接5x5卷积层
        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)
        # 线路4，3x3最大汇聚层后接1x1卷积层
        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)))
        # 在通道维度上连结输出
        return torch.cat((p1, p2, p3, p4), dim=1)

三、GoogLeNet 模型：把 Inception 块堆起来

GoogLeNet 一共使用 9 个 Inception 块和全局平均汇聚层的堆叠来生成其估计值，Inception 块之间的最大汇聚层可降低维度。第一个模块类似于 AlexNet 和 LeNet，Inception 块的组合从 VGG 继承，全局平均汇聚层避免了在最后使用全连接层。

1. 模型结构

GoogLeNet 的结构就像一个 “积木塔”，一层一层堆起来：

1. 第一个模块：用 64 个通道、7×7 的卷积层，相当于先对整个图像做一个 “粗提取”，看看图像的整体特征。

2. 第二个模块：用两个卷积层，第一个是 64 个通道、1×1 的卷积层，第二个是 192 个通道、3×3 的卷积层，然后用最大汇聚层降低维度。

3. 第三个模块：串联两个完整的 Inception 块，第一个 Inception 块的输出通道数是 256，第二个是 480。

4. 第四个模块：串联 5 个 Inception 块，输出通道数从 512 到 832 不等。

5. 第五个模块：串联两个 Inception 块，输出通道数是 832 和 1024，然后用全局平均汇聚层，把每个通道的高和宽变成 1，最后接上一个全连接层输出 10 个类别（对应 Fashion-MNIST 数据集）。

2. 代码实现（PyTorch 版）

# 第一个模块
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))

# 第二个模块
b2 = nn.Sequential(nn.Conv2d(64, 64, kernel_size=1),
                   nn.ReLU(),
                   nn.Conv2d(64, 192, kernel_size=3, padding=1),
                   nn.ReLU(),
                   nn.MaxPool2d(kernel_size=3, stride=2, padding=1))

# 第三个模块
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))

# 第四个模块
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))

# 第五个模块
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())

# 完整的模型
net = nn.Sequential(b1, b2, b3, b4, b5, nn.Linear(1024, 10))

3. 测试模型输出形状

我们可以用一个随机的输入来测试每个层的输出形状，看看模型的结构是否正确：

# 输入是1张96x96的单通道灰度图
X = torch.rand(size=(1, 1, 96, 96))
for layer in net:
    X = layer(X)
    print(layer.__class__.__name__, 'output shape:\t', X.shape)

运行结果会显示每个层的输出形状，最后输出的形状是(1, 10)，符合我们的预期。

四、训练模型

我们用 Fashion-MNIST 数据集来训练 GoogLeNet，训练参数如下：

• 学习率：0.1
• 训练轮数：10
• 批量大小：128
• 输入图像 resize 到 96×96（因为 GoogLeNet 的输入是 224×224，我们缩小到 96×96 来简化计算）

训练代码如下：

lr, num_epochs, batch_size = 0.1, 10, 128
# 加载数据集，把图像resize到96×96
train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size, resize=96)
# 训练模型
d2l.train_ch6(net, train_iter, test_iter, num_epochs, lr, d2l.try_gpu())

训练完成后，结果大概如下：

loss 0.243, train acc 0.908, test acc 0.902
2147.9 examples/sec on cuda:0

可以看到，训练准确率大概是 0.908，测试准确率大概是 0.902，在 GPU 上训练的速度是每秒 2147.9 个样本。

五、小结

1. GoogLeNet 的核心是 Inception 块，它用四条并行路径，不同大小的卷积核和最大汇聚层来提取不同范围的特征，然后把这些特征组合起来。

2. Inception 块用 1×1 的卷积层来减少通道数，降低模型的复杂性，让模型更高效。

3. GoogLeNet 用多个 Inception 块堆叠起来，最后用全局平均汇聚层代替全连接层，减少了模型的参数数量，避免了过拟合。

4. GoogLeNet 在 ImageNet 上取得了很好的效果，它以较低的计算复杂度提供了类似的测试精度。

（注：文档部分内容可能由 AI 生成） 源地址