文章目录
1.InceptionV4结构
（1）整体网络结构
（2）主干网络结构（Stem）
上面的Inception结构中的Stem展开式：
注：
其中的V表示不使用padding，也就是不加填充。
（3）Inception模块
Inception模块A：
Inception模块B：
Inception模块C：
（4）降采样模块
降采样模块A
降采样模块B
其中上面的k,l,m分别表示卷积核的个数：
2.InceptionV4整体讲解
（1）首先输入299x299图片大小；
（2）第二步经过主干网络Stem;
（3）第三步经过4个Inception-A模块；
（4）第四步经过降采样A；
（5）第五步经过7个Inception-B模块；
（6）第六步经过降采样B；
（7）第七步经过3个Inception-C模块；
（8）第八步经过全局平均池化；
（9）第九步使用Dropout避免过拟合；
（10）最后经过softmax输出类别概率；
3.Inception-ResNet-V1结构
（1）整体网络结构
（2）主干网络（Stem）
（3）Inception-ResNet-V1模块
模块A
模块B
模块C
（4）降采样模块
模块A
模块B
上面的l,m,n表示含义:
4.10.inception-ResNet-V2
（1）整体网络结构
（2）主干网络（Stem）
inception-ResNet-V2与InceptionV4主干网络相同
（3）inception-ResNet-V2模块
模块A
模块B
模块C
（4）降采样模块
模块A
模块B
5.单模型，单帧和多帧的预测结果对比
（1）单帧，单模型
（2）多帧，单模型
（3）多帧（144），单模型
（4）多模型集成
注：多帧：对一张需要预测的图片进行放缩裁剪的处理得到多张子图，经过分类，对这多张子图预测的结果汇总在一起得到最终的分类结果。
6.总结
（1）.能否将Inception与ResNet相结合，残差连接将显著加快inception训练，准确率也有少许的提升。
（2）8.对残差块输出进行幅度缩小
卷积核的个数超过1000的话，在训练早期的最后GlobalAveragePoolling层之前的feature map里面含有很多的0，但是使用更小的学习率和BN都不能解决这个问题，所以在加法融合之前对残差分支的结果乘以幅度缩小系数（0.1-0.3）。
7.InceptionV4网络结构实现
https://blog.csdn.net/Keep_Trying_Go/article/details/124438141
8.Inception-ResNet-V1网络结构实现
https://blog.csdn.net/Keep_Trying_Go/article/details/124460670
