googlenet解析
2016-07-05 16:10
369 查看
原始数据是224*224*3
第一层卷积层 conv1 ,pad是3,7*7 ,64个特征,步长2,输出为 112*112*64。然后进行relu,经过pool1 进行pooling 3*3的核,步长为2, [(112 - 3+1)/2]+1 = 56 特征为56*56*64 , 再规范。
第二层卷积层 conv2, pad是1,3*3,192个特征,输出为56*56*192,然后进行relu,再规范,经过pool2进行pooling,3*3的核,步长为2 输出为28*28*192 再分成四个分支(3a)
第三层(3a)采用不同尺度的卷积核来处理问题。四个分支:
1: 64个1*1的卷积核,然后rule得28*28*64
2: 96个1*1的卷积核 作为3*3卷积核之前的reduce,变成28*28*96, 进行relu计算后,再进行128个3*3的卷积,pad为1, 28*28*128
3:16个1*1的卷积核 作为5*5卷积核之前的reduce,变成28*28*16, 进行relu计算后,再进行32个5*5的卷积,pad为2,变成28*28*32
4:pool层,3*3的核,pad为1,输出还是28*28*192,然后进行32个1*1的卷积,变成28*28*32。
将四个结果进行连接,得到28*28*256。然后3b:
1:128个1*1的卷积核,然后rule得28*28*128
2:128个1*1的卷积核 作为3*3卷积核之前的reduce,变成28*28*128, 再进行192个3*3的卷积,pad为1, 28*28*192,进行relu计算
3:32个1*1的卷积核 作为5*5卷积核之前的reduce,变成28*28*32, 进行relu计算后,再进行96个5*5的卷积,pad为2,变成28*28*96
4:pool层,3*3的核,pad为1,输出还是28*28*256,然后进行64个1*1的卷积,变成28*28*64。
将四个结果进行连接,输出为28*28*480
第四层,4a..4b.....同上~~略。
第一层卷积层 conv1 ,pad是3,7*7 ,64个特征,步长2,输出为 112*112*64。然后进行relu,经过pool1 进行pooling 3*3的核,步长为2, [(112 - 3+1)/2]+1 = 56 特征为56*56*64 , 再规范。
第二层卷积层 conv2, pad是1,3*3,192个特征,输出为56*56*192,然后进行relu,再规范,经过pool2进行pooling,3*3的核,步长为2 输出为28*28*192 再分成四个分支(3a)
第三层(3a)采用不同尺度的卷积核来处理问题。四个分支:
1: 64个1*1的卷积核,然后rule得28*28*64
2: 96个1*1的卷积核 作为3*3卷积核之前的reduce,变成28*28*96, 进行relu计算后,再进行128个3*3的卷积,pad为1, 28*28*128
3:16个1*1的卷积核 作为5*5卷积核之前的reduce,变成28*28*16, 进行relu计算后,再进行32个5*5的卷积,pad为2,变成28*28*32
4:pool层,3*3的核,pad为1,输出还是28*28*192,然后进行32个1*1的卷积,变成28*28*32。
将四个结果进行连接,得到28*28*256。然后3b:
1:128个1*1的卷积核,然后rule得28*28*128
2:128个1*1的卷积核 作为3*3卷积核之前的reduce,变成28*28*128, 再进行192个3*3的卷积,pad为1, 28*28*192,进行relu计算
3:32个1*1的卷积核 作为5*5卷积核之前的reduce,变成28*28*32, 进行relu计算后,再进行96个5*5的卷积,pad为2,变成28*28*96
4:pool层,3*3的核,pad为1,输出还是28*28*256,然后进行64个1*1的卷积,变成28*28*64。
将四个结果进行连接,输出为28*28*480
第四层,4a..4b.....同上~~略。
相关文章推荐
- CUDA搭建
- 稀疏自动编码器 (Sparse Autoencoder)
- 白化(Whitening):PCA vs. ZCA
- softmax回归
- 卷积神经网络初探
- Some Notes of Caffe Installation
- Some Notes of Python Interfaces Pycaffe (Caffe)
- TensorFlow人工智能引擎入门教程之九 RNN/LSTM循环神经网络长短期记忆网络使用
- TensorFlow人工智能引擎入门教程之十 最强网络 RSNN深度残差网络 平均准确率96-99%
- TensorFlow人工智能入门教程之十一 最强网络DLSTM 双向长短期记忆网络(阿里小AI实现)
- TensorFlow人工智能引擎入门教程之十二 Caffe转换tensorflow并 跨平台调用
- TensorFlow人工智能入门教程之十四 自动编码机AutoEncoder 网络
- TensorFlow人工智能引擎入门教程所有目录
- 如何用70行代码实现深度神经网络算法
- 近200篇机器学习&深度学习资料分享(含各种文档,视频,源码等)
- 安装caffe过程记录
- DIGITS的安装与使用记录
- 图像识别和图像搜索
- 51CTO学院优质新课抢先体验-5折好课帮你技能提升、升职加薪
- caffe ubuntu 14.04 install