Backbone 之 Inception：纵横交错 （Pytorch 实现及代码解析

• Inception 的参数量较少，适合处理大规模数据，尤其是对于计算资源有限的平台

为进一步降低参数量，Inception 又增加了较多的 1x1 卷积块进行降维，改进为 Inception v1 版本，Inception v1 共 9 个上述堆叠的模块，共有 22 层，在最后的 Inception 模块中还是用了全局平均池化。同时为避免造成网络训练时带来的梯度消失的现象，在这里引入两个辅助的分类器，在第三个和第六个的 Inception 模块输出后执行 Softmax 并计算损失，在训练时和最后的损失一并回传。

Inception v1 基础结构图：

Inception v1 代码：

import torch

from torch import nn

import torch.nn.functional as F

###定义一个包含卷积和 ReLU 池化的基础卷积块

class BasicConv2d(nn.Module):

def init(self, in_channels, out_channels, kernel_size, padding=0):

super(BasicConv2d, self).init()

self.conv = nn.Conv2d(in_channels, out_channels, kernel_size, padding=padding)

def forward(self, x):

x = self.conv(x)

return F.relu(x, inplace=True)《一线大厂 Java 面试题解析+后端开发学习笔记+最新架构讲解视频+实战项目源码讲义》无偿开源 威信搜索公众号【编程进阶路】###Inceptionv1 类，初始时需要提供各个子模块的通道数大小

class Inceptionv1(nn.Module):

def init(self, in_dim, hid_1_1, hid_2_1, hid_2_3, hid_3_1, out_3_5, out_4_1):

super(Inceptionv1, self).init()

###四个子模块各自的网络定义

self.branch1x1 = BasicConv2d(in_dim, hid_1_1, 1)

self.branch3x3 = nn.Sequential(

BasicConv2d(in_dim, hid_2_1, 1),

BasicConv2d(hid_2_1, hid_2_3, 3, padding=1)

)

self.branch5x5 = nn.Sequential(

BasicConv2d(in_dim, hid_3_1, 1),

BasicConv2d(hid_3_1, out_3_5, 5, padding=2)

)

self.branch_pool = nn.Sequential(

nn.MaxPool2d(3, stride=1, padding=1),

BasicConv2d(in_dim, out_4_1, 1)

)

###定义前向传播

def forward(self, x):

b1 = self.branch1x1(x)

b2 = self.branch3x3(x)

b3 = self.branch5x5(x)

b4 = self.branch_pool(x)

###将这四个子模块沿着通道方向进行拼接

output = torch.cat((b1, b2, b3, b4), dim=1)

return output

?

?

Inception v2 特点：

• 增加 BN 层

• 利用两个 3*3 来代替 5x5 卷积，减小了参数量，也提升网络的非线性能力

Inception v2 结构示意图：

代码如下：

import torch

from torch import nn

import torch.nn.functional as F

?

class BasicConv2d(nn.Module):