🧠AI 冷知识
你知道吗？
这些有趣的 AI 小知识可能让你大吃一惊
💡
同时看大和小的并行之眼GoogLeNet(又名Inception v1)在2014年赢得ImageNet竞赛，它的参数量只有690万——比VGG的1.38亿少了20倍。秘密在于Inception模块：它并行使用1×1、3×3、5×5卷积和最大池化，让网络在同一层同时捕捉不同尺度的特征。1×1卷积看似无用(只看一个像素)，但它是降维的利器——在3×3卷积前加一层1×1卷积可以把计算量减少到原来的1/9。GoogLeNet还大胆去掉了末端的大型全连接层(传统CNN中90%的参数都在这里)，用全局平均池化替代，这是现代CNN设计的标准做法。
来源：Szegedy et al., "Going Deeper with Convolutions", CVPR 2015
一句话总结
💡
GoogLeNet 用 Inception 模块并行多尺度卷积并以 1x1 卷积降维，在保持精度的同时大幅减少计算量。
常见误区
这些坑别踩
✗
误区 1
Inception 就是简单并联多个卷积。
✓
正确理解
它用 1x1 卷积降维控制计算量，是精心设计的多尺度融合。
✗
误区 2
1x1 卷积没意义。
✓
正确理解
1x1 卷积做通道维变换和降维，有效减少参数和计算。
✗
误区 3
GoogLeNet 没有中间监督。
✓
正确理解
它使用了辅助分类器帮助梯度回传，是深层训练的技巧。