聯(lián)合編譯：Blake、高斐

2016年8月31日，Google團(tuán)隊(duì)宣布針對(duì)TensorFlow開源了最新發(fā)布的TF-slim資料庫(kù)，它是一個(gè)可以定義、訓(xùn)練和評(píng)估模型的輕量級(jí)的軟件包，也能對(duì)圖像分類領(lǐng)域中幾個(gè)主要有競(jìng)爭(zhēng)力的網(wǎng)絡(luò)進(jìn)行檢驗(yàn)和定義模型。

為了進(jìn)一步推進(jìn)這個(gè)領(lǐng)域的進(jìn)步，今天Google團(tuán)隊(duì)宣布發(fā)布Inception-ResNet-v2（一種卷積神經(jīng)網(wǎng)絡(luò)——CNN），它在ILSVRC圖像分類基準(zhǔn)測(cè)試中實(shí)現(xiàn)了當(dāng)下最好的成績(jī)。Inception-ResNet-v2是早期Inception V3模型變化而來(lái)，從微軟的殘差網(wǎng)絡(luò)（ResNet）論文中得到了一些靈感。相關(guān)論文信息可以參看我們的論文Inception-v4, Inception-ResNet and the Impact of Residual Connections on Learning（Inception-v4, Inception-ResNet以及殘差連接在學(xué)習(xí)上的影響）：

殘差連接（Residual connections ）允許模型中存在shortcuts，可以讓研究學(xué)者成功地訓(xùn)練更深的神經(jīng)網(wǎng)絡(luò)（能夠獲得更好的表現(xiàn)），這樣也能明顯地簡(jiǎn)化Inception塊。將兩種模型架構(gòu)對(duì)比，見下圖：

在第二幅Inception-ResNet-v2圖中最上部分，你能看到整個(gè)網(wǎng)絡(luò)擴(kuò)展了。注意該網(wǎng)絡(luò)被認(rèn)為比先前的Inception V3還要深一些。在圖中主要部分重復(fù)的殘差區(qū)塊已經(jīng)被壓縮了，所以整個(gè)網(wǎng)絡(luò)看起來(lái)更加直觀。另外注意到圖中inception區(qū)塊被簡(jiǎn)化了，比先前的Inception V3種要包含更少的并行塔 （parallel towers）。

如下方圖表所示，Inception-ResNet-v2架構(gòu)的精確度比之前的最優(yōu)模型更高，圖表中所示為基于單個(gè)圖像的ILSVRC 2012圖像分類標(biāo)準(zhǔn)得出的排行第一與排行第五的有效精確度。此外，該新模型僅僅要求兩倍于Inception v3的容量與計(jì)算能力。

例如，盡管Inception v3與Inception-ResNet-v2都很擅長(zhǎng)識(shí)別每一條狗所屬的類別，這種新模型的性能更為顯著。例如，舊模型可能會(huì)錯(cuò)誤地將右邊的圖片識(shí)別為阿拉斯加雪橇犬，新模型Inception-ResNet-v2能夠準(zhǔn)確地識(shí)別兩個(gè)圖片中狗的類別。

阿拉斯加雪橇犬（左）和西伯利亞雪橇犬（右）。圖片來(lái)源：維基百科。

為了使人們理解開始試驗(yàn)，我們也將要發(fā)布新型Inception-ResNet-v2預(yù)訓(xùn)練實(shí)例，作為TF-Slim 圖像模型庫(kù)的組成部分。

看到本研究領(lǐng)域關(guān)于這一經(jīng)過(guò)改進(jìn)的模型所取得的進(jìn)展，而且人們開始采用這種新模型，并將其性能在多種任務(wù)作對(duì)比，我們?yōu)榇烁械椒浅Ｅd奮。你也想要開始使用這種新模型嗎？讓我們一起來(lái)看看附帶的操作指示，學(xué)會(huì)如何訓(xùn)練，評(píng)估或微調(diào)一個(gè)網(wǎng)絡(luò)。

Inception-ResNet-v2具體代碼實(shí)現(xiàn)過(guò)程參見：

https://github.com/tensorflow/models/blob/master/slim/nets/inception_resnet_v2.py

PS : 本文由雷鋒網(wǎng)獨(dú)家編譯，未經(jīng)許可拒絕轉(zhuǎn)載！

via Google Research Blog

雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。