目录
五、图像分类
5.1 AlexNet
5.2 VGG
5.3 GoogLeNet、Inception
5.3.1 Inception V1
全连接层参数过多，所以要改进
GAP：全局平均池化
在梯度要消失的地方，再次传入
5.3.2 Inception V2
（1）训练时要将traning参数设置为True，在验证时将trainning参数设置为False。在pytorch中可通过创建 模型的model.train()和model.eval()方法控制。
（2）batch size尽可能设置大点，设置小后表现可能很糟糕，设置的越大求的均值和方差越接近整个训练集的均值和方差。
（3）一般将bn层放在卷积层（Conv）和激活层（例如Relu）之间，且卷积层不要使用偏置bias。
5.3.3 Inception V3
5.3.4 Inception V4
VGG是大多数的主干模型，Google的可扩展性相对差一点
5.4 ResNet 残差网络
5.4.1 ResNet
优化：用1×1卷积先降维减少计算量，再升维和前面的残差块组合
FLOPs这里是指需要的计算量
5.4.2 ResNeXt
5.5 CNN设计准则
这里不一定分组卷积就比整个卷积强
