GoogleNet Inception v2 和 Inception v3详解

1 GoogleNet Inception v2

v1具体结构：

v2具体结构：

1 引入Batch Normalization（BN）:

Inception v2在每个卷积层之后引入了BN。这有助于解决深层网络中的梯度消失问题，同时加快训练过程并提高模型的收敛速度。BN通过减少内部协变量偏移，使每一层的输入更加稳定。

2 使用更小的卷积核:

Inception v2采用了更多的3x3卷积核代替大尺寸卷积核。这种设计可以减少参数数量，从而减少过拟合的风险，并降低计算复杂度。

Inception v2将大尺寸的卷积核（如5x5）分解成两个较小的卷积核（如3x3）。这不仅减少了参数的数量和计算量，还保持了网络的表达能力。如下图在v1中，只改变了，第三个位置的5x5变成了两个3x3，当然也修改了inception结构输出的通道数

3 两处的maxpool替换成inception进行下采样

在inception3a和inception3b后面的池化层改成了inception3c进行下采样

inception3c参考上面2中的图来进行修改，去掉了第一个的1x1卷积，