摘要：昨天，谷歌宣布開放，這是一個(gè)在中定義訓(xùn)練和評(píng)估模型的輕量軟件包，同時(shí)它還能對(duì)圖像分類領(lǐng)域中的數(shù)個(gè)有競爭力的網(wǎng)絡(luò)進(jìn)行檢驗(yàn)與模型定義。今天，谷歌再次宣布開放，一個(gè)在圖像分類基準(zhǔn)上取得頂尖準(zhǔn)確率的卷積神經(jīng)網(wǎng)絡(luò)。

昨天，谷歌宣布開放 TF-Slim，這是一個(gè)在 TensorFlow 中定義、訓(xùn)練、和評(píng)估模型的輕量軟件包，同時(shí)它還能對(duì)圖像分類領(lǐng)域中的數(shù)個(gè)有競爭力的網(wǎng)絡(luò)進(jìn)行檢驗(yàn)與模型定義。今天，谷歌再次宣布開放 Inception-ResNet-v2，一個(gè)在 ILSVRC 圖像分類基準(zhǔn)上取得頂尖準(zhǔn)確率的卷積神經(jīng)網(wǎng)絡(luò)。文中提到的論文可點(diǎn)擊「閱讀原文」進(jìn)行下載。

為了在該領(lǐng)域取得更多進(jìn)展，今天我們非常高興的宣布開放 Inception-ResNet-v2，這是一個(gè)在 ILSVRC 圖像分類基準(zhǔn)上取得頂尖準(zhǔn)確率的卷積神經(jīng)網(wǎng)絡(luò)。Inception-ResNet-v2 是早期發(fā)布的 Inception V3 模型的變體，該模型借鑒了微軟 ResNet 論文中的思路。具體內(nèi)容可在我們的論文：Inception-v4, Inception-ResNet and the Impact of Residual Connections on Learning 中看到。

殘差連接（Residual connections ）允許模型中進(jìn)行 shortcut，也使得研究員能成功的訓(xùn)練更深的神經(jīng)網(wǎng)絡(luò)從而產(chǎn)生更好的性能。這也使得 Inception 塊的極度簡單化成為可能。下圖對(duì)比了這兩個(gè)模型架構(gòu)：

Inception V3 圖解

Inception-ResNet-v2 的圖解

在第二張圖解的頂端，你可以看到全部的網(wǎng)絡(luò)拓展，可以注意到該網(wǎng)絡(luò)比之前的 Inception V3 要深得多。主圖的下面是更簡單閱讀同一網(wǎng)絡(luò)版本的方式，里面重復(fù)的殘差塊是被壓縮了。注意，里面的 Inception 塊被簡化的，比先前的 Inception V3 包含更少的并行塔 （parallel towers）。

Inception-ResNet-v2 架構(gòu)比之前的前沿模型更加準(zhǔn)確。下表報(bào)告了在基于單類圖像的 ILSVRC 2012 圖像分類基準(zhǔn)上的 Top-1 和 Top-5 的準(zhǔn)確度檢驗(yàn)結(jié)果。此外，該新模型相比于 Inception V3 大約只需要兩倍的存儲(chǔ)和計(jì)算能力。

結(jié)果援引于 ResNet 論文

舉個(gè)例子，Inception V3 和 Inception-ResNet-v2 模型在識(shí)別犬種上都很擅長，但新模型做的更好。例如，舊模型錯(cuò)誤報(bào)告右圖中的狗是阿拉斯加雪橇犬，而新的 Inception-ResNet-v2 模型準(zhǔn)確識(shí)別了兩張圖片中的狗的種類。

阿拉斯加雪橇犬（左），西伯利亞愛斯基摩狗（右）

為了讓人們能立即進(jìn)行試驗(yàn)，我們也發(fā)布了 Inception-ResNet-v2 模型的一個(gè)預(yù)訓(xùn)練案例作為 TF-Slim 圖像模型庫的一部分。

如果想進(jìn)行試驗(yàn)，這是如何訓(xùn)練、評(píng)估或微調(diào)網(wǎng)絡(luò)的指導(dǎo)：https://github.com/tensorflow/models/blob/master/slim/README.md

商業(yè)智能與數(shù)據(jù)分析群

興趣范圍包括各種讓數(shù)據(jù)產(chǎn)生價(jià)值的辦法，實(shí)際應(yīng)用案例分享與討論，分析工具，ETL工具，數(shù)據(jù)倉庫，數(shù)據(jù)挖掘工具，報(bào)表系統(tǒng)等全方位知識(shí)

QQ群：81035754