聯(lián)合編譯：Blake、高斐

2016年8月31日，Google團(tuán)隊宣布針對TensorFlow開源了最新發(fā)布的TF-slim資料庫，它是一個可以定義、訓(xùn)練和評估模型的輕量級的軟件包，也能對圖像分類領(lǐng)域中幾個主要有競爭力的網(wǎng)絡(luò)進(jìn)行檢驗和定義模型。

為了進(jìn)一步推進(jìn)這個領(lǐng)域的進(jìn)步，今天Google團(tuán)隊宣布發(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)測試中實現(xiàn)了當(dāng)下最好的成績。Inception-ResNet-v2是早期Inception V3模型變化而來，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)），這樣也能明顯地簡化Inception塊。將兩種模型架構(gòu)對比，見下圖：

在第二幅Inception-ResNet-v2圖中最上部分，你能看到整個網(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，所以整個網(wǎng)絡(luò)看起來更加直觀。另外注意到圖中inception區(qū)塊被簡化了，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的容量與計算能力。

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

阿拉斯加雪橇犬（左）和西伯利亞雪橇犬（右）。圖片來源：維基百科。

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

看到本研究領(lǐng)域關(guān)于這一經(jīng)過改進(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？讓我們一起來看看附帶的操作指示，學(xué)會如何訓(xùn)練，評估或微調(diào)一個網(wǎng)絡(luò)。

Inception-ResNet-v2具體代碼實現(xiàn)過程參見：

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。