在研究这篇文章时，有一点很清楚。2014年是发展真正流行的图像分类预训练模型的标志性一年。尽管上述VGG-16在当年的ILSVRC中排名第二，但排名第一的不是别人，正是谷歌——通过它的GoogLeNet或Inception。
最初的论文提出了Inceptionv1模型。在只有700万个参数的情况下，即比当时流行的模型（如VGG和AlexNet）小得多，再加上较低的错误率，你就可以看出为什么它是一个突破性的模型。不仅如此，本文的主要创新也是另一个突破—Inception模块。
简单来说，Inception模块只是对输入执行不同大小的卷积，执行最大池，并将结果连接到下一个Inception模块。1*1卷积运算的引入大大降低了参数。
尽管Inceptionv1中的层数为22，但参数的大量减少使其成为一个难以击败的模型。
Inceptionv2模型是对Inceptionv1模型的一项重大改进，它提高了准确性，并进一步降低了模型的复杂性。在与Inceptionv2相同的论文中，作者介绍了Inceptionv3模型，并对v2进行了一些改进。Inceptionv3在2016年CVPR中以3.5%的前五名错误率位居榜首。
以下是主要的改进措施：批量标准化介绍、更多因子分解、RMSProp优化
正如你所看到的，与VGG16微不足道的16层相比，层的数量是42层。此外，Inceptionv3将错误率降低到仅4.2%。
我们执行以下操作：将基本模型的输出展平到一维，添加一个具有1024个隐藏单元和ReLU激活的完全连接层，这一次，我们的DropOut设置为0.2，添加最后一个完全连接的Sigmoid层。我们将再次使用RMSProp，当然你也可以尝试Adam Optimizer，然后，我们将对模型进行拟合：
因此，我们可以看到，我们在10个epochs内获得了96%的验证准确率。还要注意，这个模型比VGG16快得多。每个epochs仅占VGG16中每个epochs的1/4左右。当然，你可以使用不同的超参数值进行实验，看看它的性能有多好/差。
具体过程，可查看原文链接：
微信公众号：
下载对应的论文，在公众号中回复:paper