第三周 GoogleNet

1：文字回答：GoogLeNet采用了几个辅助损失？辅助损失函数的权重是多少？为什么要采用辅助损失函数？

答：GoogLeNet采用了2个辅助损失，分别在Inceptionn4b和Inception4e增加两个辅助分类层，用于计算辅 助损失。 辅助损失函数的权重是0.3。 原因：1.增加loss回传； 2.充当正则约束，迫使中间层特征也具备分类能力。

2：文字回答：Inception模块中有几个分支？分别是哪些操作？Inception模块输出时特征图采用什么方式融合？

答：Inception模块有4个分支。分别是11卷积，33卷积，55卷积，11卷积。 通过对通道数进行相加进行融合。

3：文字回答：读完该论文，对你的启发点有哪些？

答：1. 池化损失空间分辨率，但在定位、检测和人体姿态识别中仍应用。定位、检测和人体姿态识别这些任务十分注重空间分辨率信息。 2.增加模型深度和宽度，可有效提升性能，但有2个缺点：容易过拟合，以及计算量过大。 3.为节省内存消耗，先将分辨率降低，再堆叠使用Inception module。 4.最后一个全连接层，是为了更方便的微调，迁移学习。 5.网络中间层特征对于分类也具有判别性。 6.学习率下降策略为每8个epochs下降4%(loss曲线很平滑） 7.数据增强指导方针：1.尺寸在8%-100%；2.长宽比在[3/4.4/3];3.光照畸变有效。 8.随机采用差值方法可提升性能。 9.实际应用中没必要144crops。

4：代码实现：从网上找一张图片，执行GoogLeNet，观察top5输出的类别，并将输出结果截图进行打卡。

答： 5.文字：本篇论文的学习笔记及总结 答：在ppt上。