GoogLeNet 团队在给出了一些通用的网络设计准则，以期望在不提高网络参数 量的前提下提升网络的表达能力：        避免特征图 (feature map) 表达瓶颈：从理论上讲，尺寸 (seize) 才包含了相关结构等重要因素，维度(channel) 仅仅提供了信息内容的粗略估计，因此特征图的尺寸应该从输入到输出慢慢减小，避免使用极端压缩。更高的维度特征图更容易获得网络的局

LeNet 1986 AlexNet 2012 http://pan.baidu.com/s/1NpEG2，作者:Alex Krizhevsky,Ilya Sutskever,Geoffrey E.Hinton VGGNet 2014 https://arxiv.org/pdf/1409.1556.pdf 6.8% test error,作者:Karen Simonyan,Andrew Ziss

最近正好项目中在做一些识别相关的内容，我也陆陆续续写了一些实验性质的博文用于对自己使用过的模型进行真实数据的评测对比分析，感兴趣的话可以自行移步阅读即可： 《移动端轻量级模型开发谁更胜一筹，efficientnet、mobilenetv2、mobilenetv3、ghostnet、mnasnet、shufflenetv2驾驶危险行为识别模型对比开发测试》 《图像识别模型哪家强？19款经典CNN

研究一个图像分类的任务，现在的问题是对6类图像数据做分类任务，数据的特征是每一类都只有非常少的数据，并且存在类别不平均，在这种情况下我们的实验结果存在准确率的问题，对于少量数据，采用端到端从头开始训练的方法，模型学习到的特征很少，泛化能力不够，采用从ImageNet数据集训练得到的结果，我们可以采用预训练权重初始化特定的深度网络，如这里的Inception网路，采用slim轻量库构建模型，模型在三

论文地址：（V3）https://arxiv.org/abs/1512.00567 本文所包含代码GitHub地址：https://github.com/shankezh/DL_HotNet_Tensorflow 如果对机器学习有兴趣，不仅仅满足将深度学习模型当黑盒模型使用的，想了解为何机器学习可以训练拟合最佳模型，可以看我过往的博客，使用数学知识推导了机器学习中比较经典的案例，并且使用了py

concept 架构 1 x 1 Conv 好处 非常优秀的结构，可以跨通道组织信息，提高网络表达能力，同时可以对输出通道升维和降维，性价比高，很小的计算量就能增加一层 特征变换 和 非线性化。 也可适度使用大卷积核，3x3 5x5， 可以增加多样性。 辅助分类器 最后和 结果整合， 权重0.3 拆解卷积核，7x7 拆成 1x7 , 7x1 , 增加 运算速度，减轻过拟合，增加