GoogLeNet(V1)

一、GooLeNet介绍

1、模型设计的motivation

2、Inception块

3、GoogLeNet架构

4、Inception后续变种

5、总结

二、代码实现

1、Inception块

2、GoogLeNet模型

3、训练模型

4、总结

一、GooLeNet介绍

GoogLeNet是由Google团队于2014年提出的深度卷积神经网络架构，也被称为Inception v1。它在当时引入了一些创新的设计理念，成为了深度学习领域的里程碑之一。GoogLeNet的设计目标是在保持网络深度的同时，减少参数数量，提高计算效率。

虽然NiN目前没有大规模使用，但是GoogLeNet目前还在大规模使用，它也是第一个超过100层的神经网络，它名字中的“L”大写是为了致敬LeNet。NiN的思想严重影响了GoogLeNet的设计。

1、模型设计的motivation

之前我们可能存在一些疑问：卷积核要选多大？通道数要选多大？池化层应该使用最大池化还是平均池化？选择很多但是不知道用哪个比较好。

2、Inception块

GoogLeNet引入了"Inception"模块，该模块通过并行使用多个不同大小的卷积核和池化操作，来提取不同尺度的特征。这种并行操作帮助网络同时捕捉到局部和全局的特征，从而提高了网络的表达能力。此外，为了减少参数数量，GoogLeNet还使用了1x1的卷积核进行降维和升维操作，以减少计算成本。

其实是将输入Input给copy了4份，通过4条不同的路径对图像进行特征提取（加入必要的padding保证输出跟输入等高等宽），最后将输出的4个特征图在通道维度进行concat（拼接）操作。根据上图可以知道Inception不改变输入的高和宽，只改变通道数。

在GoogLeNet中，基本的卷积块被称为Inception块（Inception block）。这很可能得名于电影《盗梦空间》（英文名：Inception），因为电影中的一句话“我们需要走得更深”（“We need to go deeper”）。

跟单 $3 \times 3$ 或 $5 \times 5$ 卷积层比，Inception块有更少的参数个数和计算复杂度。

	Parameters（参数量）	FLOPS（计算量）
Inception	0.16 M	128 M
3×3 Conv	0.44 M	346 M
5×5 Conv	1.22 M	963 M

3、GoogLeNet架构

在网络结构方面，GoogLeNet采用了多个Inception模块的堆叠。每个Inception模块由多个并行的卷积层和池化层组成，它们的输出被拼接在一起形成下一层的输入。通过堆叠多个Inception模块，网络可以逐渐提取更加抽象和高级的特征。GoogLeNet主要分成了5个Stage，所谓的Stage一般这么算：图像的高宽减半是一个Stage。

（1）Stage1 and Stage2

Stage1和Stage2没有使用Inception Block。

channel变化：3 -> 64 -> 192
(h, w)变化：3次strides=2，每次图片尺寸减半，因此图片大小缩小8倍： $224\div 8=28$

（2）Stage3

Stage3使用了2个Inception Block。

channel变化：192 -> 256 ->480
(h, w)变化：Inception Block不改变图片尺寸。在两个Inception Block后面有一个MaxPool，其stride=2，因此图片大小缩小2倍 $28 \div 2=14$

（3）Stage4 and Stage5

Stage4和Stage5使用了7个Inception Block。这里最后和NiNNet不一样：NiNNet经过最后一个NiN块时输出通道个数直接等于类别数，后面不需要全连接层；而GoogLeNet经过最后一个Inception块后通道数很多，在后面加一个全连接层(FC)，使通道个数经过全连接层后等于类别数。

channel变化：480 -> 512 -> 832 -> 1024
(h, w)变化：Inception Block不改变图片尺寸。Stage4后面有一个MaxPool，其stride=2，此时(h, w)会从14变为7，在Stage5后面有一个全局平均池化(GlobalAvgPool)，此时会(h, w)会直接变成1。

4、Inception后续变种

Inception-BN (V2): 使用了batch normalization。
Inception-V3: 修改了Inception块：替换 $5 \times 5$ 为多个 $3 \times 3$ 卷积层、替换 $5 \times 5$ 为 $1 \times 7$ 和 $7 \times 1$ 卷积层、替换 $3 \times 3$ 为 $1 \times 3$ 和 $3 \times 1$ 卷积层、更深。
Inception-V4: 使用残差连接。

5、总结

二、代码实现

1、Inception块

如下图所示，Inception块由四条并行路径组成。前三条路径使用窗口大小为 $1\times 1$ 、 $3\times 3$ 和 $5\times 5$ 的卷积层，从不同空间大小中提取信息。中间的两条路径在输入上执行 $1\times 1$ 卷积，以减少通道数，从而降低模型的复杂性。第四条路径使用 $3\times 3$ 最大池化层，然后使用 $1\times 1$ 卷积层来改变通道数。

这四条路径都使用合适的填充来使输入与输出的高和宽一致，最后我们将每条线路的输出在通道维度上连结，并构成Inception块的输出。在Inception块中，通常调整的超参数是每层输出通道数。

import torch
from torch import nn
from torch.nn import functional as F
from d2l import torch as d2lclass Inception(nn.Module):# c1--c4是每条路径的输出通道数def __init__(self, in_channels, c1, c2, c3, c4, **kwargs):super(Inception, self).__init__(**kwargs)# 线路1，单1x1卷积层self.p1_1 = nn.Conv2d(in_channels, c1, kernel_size=1)# 线路2，1x1卷积层后接3x3卷积层self.p2_1 = nn.Conv2d(in_channels, c2[0], kernel_size=1)self.p2_2 = nn.Conv2d(c2[0], c2[1], kernel_size=3, padding=1)# 线路3，1x1卷积层后接5x5卷积层self.p3_1 = nn.Conv2d(in_channels, c3[0], kernel_size=1)self.p3_2 = nn.Conv2d(c3[0], c3[1], kernel_size=5, padding=2)# 线路4，3x3最大汇聚层后接1x1卷积层self.p4_1 = nn.MaxPool2d(kernel_size=3, stride=1, padding=1)self.p4_2 = nn.Conv2d(in_channels, c4, kernel_size=1)def forward(self, x):p1 = F.relu(self.p1_1(x))p2 = F.relu(self.p2_2(F.relu(self.p2_1(x))))p3 = F.relu(self.p3_2(F.relu(self.p3_1(x))))p4 = F.relu(self.p4_2(self.p4_1(x)))# 在通道维度上连结输出return torch.cat((p1, p2, p3, p4), dim=1)   # 通道维度dimension为1  (batch, channel, height, width) -> (0, 1, 2, 3)

2、GoogLeNet模型

（1）Stage1

现在，我们逐一实现GoogLeNet的每个Stage。Stage1使用64个通道、 $7\times 7$ 卷积层。

b1 = nn.Sequential(nn.Conv2d(1, 64, kernel_size=7, stride=2, padding=3),nn.ReLU(),nn.MaxPool2d(kernel_size=3, stride=2, padding=1))

（2）Stage2

Stage2使用两个卷积层：第一个卷积层是64个通道、 $1\times 1$ 卷积层；第二个卷积层使用将通道数量增加三倍的 $3\times 3$ 卷积层。这对应于Inception块中的第二条路径。

b2 = nn.Sequential(nn.Conv2d(64, 64, kernel_size=1),nn.ReLU(),nn.Conv2d(64, 192, kernel_size=3, padding=1),nn.ReLU(),nn.MaxPool2d(kernel_size=3, stride=2, padding=1))

（3）Stage3

Stage3串联两个的Inception块。

b3 = nn.Sequential(Inception(192, 64, (96, 128), (16, 32), 32),Inception(256, 128, (128, 192), (32, 96), 64),nn.MaxPool2d(kernel_size=3, stride=2, padding=1))

（4）Stage4

Stage4串联了五个Inception块。

b4 = nn.Sequential(Inception(480, 192, (96, 208), (16, 48), 64),Inception(512, 160, (112, 224), (24, 64), 64),Inception(512, 128, (128, 256), (24, 64), 64),Inception(512, 112, (144, 288), (32, 64), 64),Inception(528, 256, (160, 320), (32, 128), 128),nn.MaxPool2d(kernel_size=3, stride=2, padding=1))

（5）Stage5

Stage5串联了两个Inception块。需要注意的是，Stage5的后面紧跟输出层，该模块同NiN一样使用全局平均池化层，将每个通道的高和宽变成1。最后我们将输出变成二维数组，再接上一个输出个数为标签类别数的全连接层。

b5 = nn.Sequential(Inception(832, 256, (160, 320), (32, 128), 128),Inception(832, 384, (192, 384), (48, 128), 128),nn.AdaptiveAvgPool2d((1, 1)),    # 全局平均池化层nn.Flatten())                    # 将channel+height+width三个维度展平net = nn.Sequential(b1, b2, b3, b4, b5, nn.Linear(1024, 10))

GoogLeNet模型的计算复杂，而且不如VGG那样便于修改通道数。为了使Fashion-MNIST上的训练短小精悍，我们将输入的高和宽从224降到96，这简化了计算。下面演示各个模块输出的形状变化。

X = torch.rand(size=(1, 1, 96, 96))
for layer in net:X = layer(X)print(layer.__class__.__name__,'output shape:\t', X.shape)

Sequential output shape:	 torch.Size([1, 64, 24, 24])
Sequential output shape:	 torch.Size([1, 192, 12, 12])
Sequential output shape:	 torch.Size([1, 480, 6, 6])
Sequential output shape:	 torch.Size([1, 832, 3, 3])
Sequential output shape:	 torch.Size([1, 1024])
Linear output shape:	 torch.Size([1, 10])

3、训练模型

我们使用Fashion-MNIST数据集来训练我们的模型。在训练之前，我们将图片转换为 $96 \times 96$ 分辨率。

lr, num_epochs, batch_size = 0.1, 10, 128
train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size, resize=96)
d2l.train_ch6(net, train_iter, test_iter, num_epochs, lr, d2l.try_gpu())

loss 0.262, train acc 0.900, test acc 0.886
3265.5 examples/sec on cuda:0

4、总结

Inception块相当于一个有4条路径的子网络。它通过不同窗口形状的卷积层和最大池化层来并行抽取信息，并使用 $1×1$ 卷积层减少每像素级别上的通道维数从而降低模型复杂度。
GoogLeNet将多个设计精细的Inception块与其他层（卷积层、全连接层）串联起来。其中Inception块的通道数分配之比是在ImageNet数据集上通过大量的实验得来的。
GoogLeNet和它的后继者们一度是ImageNet上最有效的模型之一：它以较低的计算复杂度提供了类似的测试精度。