卷积神经网络（三）
——inception网络、迁移学习
（原创内容，转载请注明来源，谢谢）
一、Inception网络
1、简介
前面的文章中，有各种的卷积模型可以选择，而具体如何选择各种模型，实际上也可以让机器自动选择。
下面是一个前一层的输出结果，为28*28*192的数据，可以同时经过1*1、3*3、5*5、池化层四种处理，得到输出的结果，并且把输出结果进行拼接。
2、卷积优化
实际上在数据量大的时候，卷积的计算量也很大（虽然比全连接层已经好了很多）。28*28*192的数据，经过5*5的卷积，计算量约需要1.2亿次乘法。
下面考虑另一种方式，在5*5卷积之前，加入一个1*1卷积，先把上一层的输出进行压缩，然后再进行5*5的卷积，如下图所示，计算量约1240万次，是直接进行卷积的计算量的1/10。
这里的输入输出的维度都是一样的，只不过中间加了一层1*1的卷积，减少了计算量，这里的1*1卷积称为瓶颈层（bottleneck layer）。
经过研究人员的分析，这种瓶颈层虽然压缩了上一层的输出，但是不会造成很大的损失，而且减少了运算。
3、inception模块
因此，实际上的inception模块，就是同时进行了各种类型的卷积，包括池化，把计算结果进行信道的连接。
二、迁移学习
迁移学习，即把现有的神经网络，进行细微的改造训练，以得到自己想要的分类器的结果。
假设现有一个已经训练好的深度学习神经网络（例如GitHub开源等），现在需要一个三分类器。
1、训练数据量不足
当训练数据很少，则可以只改造现有网络的输出层，自己训练一个softmax，把前面所有的层当做黑盒，不进行训练，只使用训练结果。
为了计算速度更快，可以把前面的输出结果存储，作为输入层，这样只需要训练2层的神经网络即可。
2、训练数量较多
当训练数据较多，则除了替换softmax，还可以在softmax之前，加入几层的隐藏层，这样训练效果更好。
3、训练数据非常大量
当拥有非常大量的训练数据，则可以只把现有的网络当做初始化，而自己完全训练一个神经网络。
迁移学习的优点，在于可以合理利用现有的网络。当神经网络非常大型时，前面几层的训练通常是可以共用的，这也是迁移学习可以实现的原理。
对于计算机视觉，需要大量的数据，而且运算量很大，合理利用现有训练好的网络，进行迁移学习，可以提高工作效率。
三、数据扩充
数据扩充，这个之前提过，这里再简单说一下。
数据扩充的目的，是为了增加训练数据。常用的方法有：对图片进行镜像、随机修剪、旋转、扭曲、色彩转换（运用PCA增强法）等。
实际工作的时候，可以一边用程序处理图片，一边进行后续的训练。具体做法，可以用多线程，部分线程读取硬盘的图片，并进行上述的镜像、旋转等工作，处理完成一部分图片后，小批量的把图片传给训练参数的线程；另一部分线程，则读取图片，并且进行参数的训练。
——written by linhxx 2018.03.10
