GoogLeNet包含多个并行的卷积层和池化层,极具表现力,但也导致其参数数量冗余和计算量大,解决该问题的根本途径是将网络稀疏化.剪枝算法通过训练网络、修剪低权重连接和再训练网络三步操作,只保留卷积层和完全连接层中的强相关连接,实现简化网络结构和参数数量的效果,获得近似的网络模型,不影响网络后验概率估计的准确性,达到压缩效果.传统计算方式不适合非均匀稀疏数据结构,所提出的阈值剪枝算法设定合适的阈值,将原始GoogLeNet模型中将近1040万参数减少到65万,大约压缩了16倍.原始网络在进行剪枝处理后,准确率会有所降低,但经过少数次迭代,网络的准确率与原始模型不相上下,达到了压缩模型的效果,验证了阈值剪枝算法对改进GoogLeNet模型训练过程的有效性.

googLeNet 深度学习四篇论文 ： Inception-v1 Inception-v2 Inception-v3 Inception-v4

caffe常用网络模型权重文件和定义文件（alex, vgg, googlenet, resnet）-附件资源

GoogLeNet用于图像分类 TensorFlow的实现一起（CVPR'15）。 该存储库包含使用预训练模型进行自然图像分类的示例，以及从头开始在数据集上训练Inception网络（测试集的准确度为93.64％）。 可以从 下载CIFAR-10上的预训练模型。 本文的GoogLeNet架构： 要求 Python 3.3以上 实施细节 GoogLeNet模型在定义。 Inception模块在定义。 使用预训练模型进行图像分类的示例在 。 在example ，有一个在CIFAR-10上从头开始训练网络的 。 用于测试预训练模型 重新缩放图像，使最小边等于224，然后再输入模型。 这

CNN相关论文（包括ResNet，GoogleNet，R-CNN，YOLO，SSD，可视化等），包括rcnn家族，yolo家族等经典目标检测论文

GoogLeNet Inception V1了论文 《 Going deeper with convolutions 》

GoogLeNet卷积神经网络–TensorFlow2结果展示loss和acc曲线计算参数程序 结果展示 epoch = 10 acc = 83.98% loss和acc曲线 计算参数 程序 # -*- coding: utf-8 -*- Created on Tue Apr 14 2020 @author: jiollos # 导入包 import tensorflow as tf import os import numpy as np from matplotlib import pyplot as plt from tensorflow.keras.layers i

CNN模型简单介绍,按照提出时间依次介绍LeNet,AlexNet,VGG,GoogLeNet,ResNet,GAN,R-CNN。十几页的ppt，主要介绍各个模型的核心思想、贡献，希望能为大家提供一条清晰的CNN发展脉络。具体的算法实现等需要阅读文章代码。相关文章会作为另一个资源提供免费打包下载。

简介 CNN -> Convolutional Neural Network 卷积神经网络是由一个或多个卷积层和顶端的全连通层（也可以使用1×1的卷积层作为最终的输出）组成的一种前馈神经网络 基本概念 局部感受野(Local Receptive Fields) 一般的神经网络往往会把图像的每一个像素点连接到全连接的每一个神经元中，而卷积神经网络则是把每一个隐藏节点只连接到图像的某个局部区域，从而减少参数训练的数量。 例如，一张1024×720的图像，使用9×9的感受野，则只需要81个权值参数。对于一般的视觉也是如此，当观看一张图像时，更多的时候关注的是局部。 共享权值(Shared Weigh

基于GoogLeNet深度迁移学习的苹果缺陷检测方法.pdf