(2) 使用 2 个 3×3 的卷积代替梯度（特征图，下同）为 35×35 中的 5×5 的卷积，这样既可以获得相同的视野( 经过 2 个 3×3 卷积得到的特征图大小等于 1 个 5×5 卷积得到的特征图 ) ，还具有更少的参数，还间接增加了网络的深度，如下图。（ 基于原则 3 ）
(3)3×3 的卷积核表现的不错，那更小的卷积核是不是会更好呢？比如2×2。对此，v2 在17×17 的梯度中使用1n 和n1 这种非对称的卷积来代替nn 的对称卷积，既降低网络的参数，又增加了网络的深度（实验证明，该结构放于网络中部，取 n=7 ，准确率更高），如下。（ 基于原则 3*）
(4) 在梯度为 8×8 时使用可以增加滤波器输出的模块（如下图），以此来产生高维的稀疏特征。（ 基于原则 2）
⑸ 输入从 224×224 变为 229×229 。 最后实现的 Inception v2 的结构如下表。
经过网络的改进， inception v2 得到更低的识别误差率，与其他网络识别误差率对比如表所示。
如表， inception v2 相比 inception v1 在 imagenet 的数据集上，识别误差率由 29% 降为 23.4% 。
Original: https://blog.csdn.net/weixin_53832681/article/details/124565730
Author: 满满myno
Title: 四、经典网络8（Inception v2）
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/691201/
转载文章受原作者版权保护。转载请注明原作者出处！