GoogleNet：更深的网络与更高的效率

GoogleNet：更深的网络与更高的效率

1 网络提出的目的

论文题目：Going Deeper with Convolutions
论文地址：https://arxiv.org/abs/1409.4842

GoogleNet（又称Inception v1）由Google团队于2014年提出，核心目标是解决深度神经网络的计算效率和特征表达问题。当时的主流模型（如AlexNet）通过堆叠卷积层提升性能，但面临两个关键问题：

1. 计算量爆炸：层数增加导致参数量和计算成本剧增
2. 梯度消失：深层网络训练困难，梯度回传效率低

创新解决方案：

• 提出Inception模块：并行多尺度卷积（1x1, 3x3, 5x5）并融合结果
• 引入辅助分类器：在中间层添加额外分类器缓解梯度消失
• 采用全局平均池化：替代全连接层减少参数量

💡 核心思想：宽度优于深度——通过并行多尺度卷积捕获丰富特征，同时控制计算量

2 网络的设计