GoogleNet.ipynb

tensorflow_models_learning 老铁要是觉得不错，给个“star” 1.生成record训练数据 dataset已经包含了训练和测试的图片，请直接运行create_tf_record.py 对于InceptionNet V1:设置resize_height和resize_width = 224 对于InceptionNet V3:设置resize_height和resize_width = 299 其他模型，请根据输入需要设置resize_height和resize_width的大小 if __name__ == '__main__': # 参数设置 resize_height = 224 # 指定存储图片高度 resize_width = 224 # 指定存储图片宽度 shuffle=True log=5 #

Tensorflow2 GoogLeNet 实现

【图像分类】一文彻底搞明白GoogLeNet https://blog.csdn.net/hhhhhhhhhhwwwwwwwwww/article/details/117776589?spm=1001.2014.3001.5502

【图像分类】实战——使用GoogLeNet识别动漫https://blog.csdn.net/hhhhhhhhhhwwwwwwwwww/article/details/117852220?spm=1001.2014.3001.5501，里面有你模型和数据集。

在深度学习神经网络模型中，可以在caffe框架中利用goolenet网络模型进行快速识别

总结了GoogleNet的相关原理、网络结构，pytorch代码实现，并对自定义花类数据集进行训练和测试。

googlenet的pytorch模型

人流密度估计作为一种有效的人群监测、控制和行为理解方法，得到了广泛的应用和研究。但传统估计方法使用的手工特征提取图像特征单一、准确度较低，容易造成密集场景人流估计不准确。为此，文中提出了一种基于深度的卷积神经网络（CNN）人群密度估计方法，利用典型的深层网络Googlenet 和VGGnet进行了方法改进。通过采用一个包括18个拥挤景区密集场景、超过160 K密度的注释图像数据集进行的实验测试结果表明，该方法的平均准确率为92.46%，与GLCM-SVM方法进行对比的结果也充分证明了该方法的优越性。

包含bvlc_googlenet.caffemodel、bvlc_googlenet.prototxt、synset_words.txt文件 和GoogleNet-Caffe模型实现图像分类源码、图片素材。 具体实现效果见CSDN博客“DNN系列2_GoogleNet-Caffe模型实现图像分类”