GoogleNetv3：Rethinking the Inception Architecture for Computer Vision

在GoogleNetv2的基础上，引入分解卷积修改inception block，实现模型性能提升

什么是GoogleNetv3？

• 
• GoogleNetv2基础上改进，主要是引分解卷积实现计算量的下降

GoogleNetv3的网络结构？

• 
• 通过分解卷积，修改inception block，然后堆叠该模块得到GoogleNetv3

GoogleNetv3的卷积核分解方式？

• 大卷积⇒多个小卷积： 类似 Googlev2 的Inceptionv2 block，将大卷积核分解为多个小卷积核
• 大卷积⇒多个不对称卷积： 将大卷积核分解为非对称卷积核，空间可分离卷积 (Spatial Separable Convolutions)

GoogleNetv3的损失函数？

• 论文有使用辅助分类器，没说辅助分类器如何贡献损失，GoogleNetv1中2个辅助分类器损失的0.3贡献到总的损失中，一般分类损失使交叉熵损失(CrossEntropyLoss)

GoogleNetv3中，关于辅助分类器的作用？

• GoogleNetv1的训练辅助分类器 最初设计的目的是为了是梯度能往更深层进行传递，改善收敛速度
• GoogleNetv3发现辅助分类器在训练初期并没有导致收敛性的提高，但是在训练接近尾声时，有辅助分类器的网络开始超越没有任何分支的网络的准确率，达到了更高的稳定性水平
• GoogleNetv3认为辅助分类词起到了正则化(regularization)的作用。如果侧分支是批量规格化的或者具有丢失层，则网络的主分类器执行得更好，这一事实支持了这一点