本文主要是介绍第七周 GoogLeNet-v4，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
1：文字回答：用自己的理解，总结GoogLeNet-V1到GoogLeNet-V4，这四篇论文的发展
答：Inception历经了V1、V2、V3、V4多个版本的发展，不断趋于完善，下面一一进行介绍。
一、Inception V1
通过设计一个稀疏网络结构，但是能够产生稠密的数据，技能增加神经网络表现，又能保证计算资源的使用效率。谷歌提出了最原始的Inception的基本结构：
该结构将CNN中常见的卷积（11，33，55）、池化操作（33）堆叠在一起（卷积、池化后的尺寸相同，将通道相加），一方面增加了网络的宽度，另一方面也增加了网络对尺度的适应性。
网络卷积层中的网络能够提取输入的每个细节信息，同时55的滤波器也能够覆盖大部分接受层的输入。还可以进行一个池化操作，以减少空间大小，降低过度拟合。在这些层上，在每一个卷积层后都要做一个ReLU操作，以增加网络的非线性特征。然而这个Inception原始版本，所有的卷积核都在上一层的输出上来做，而那个55的卷积核所需的计算量就太大了，造成了特征图的厚度很大，为了避免这种情况，在33前、55前、max pooling后分别加上了11的卷积核，以起到了降低特征图厚度的作用，这也就形成了Inception V1的网络结构，如下图所示：
11的卷积核有什么用呢？
11卷积的主要目的是为了减少维度，还用于修正线性激活(ReLU)。比如，上一层的输出为100100128，经过具有256个通道55卷积层之后（stride=1，pad=2），输出数据为100100256，其中卷积层的参数为12855256&
这篇关于第七周 GoogLeNet-v4的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
