شبکه آغازنده (Inception Network / GoogLeNet)، در ریاضیات (Mathematics)
انواع شبکه های عصبی (Neural Networks) را در آموزش زیر شرح دادیم :
شبکه آغازنده (Inception Network / GoogLeNet) :
شبکه آغازنده (Inception) که با نام GoogLeNet نیز شناخته می شود، توسط کریستین سگدی و همکاران در Google در سال ۲۰۱۴ معرفی شد و برنده مسابقه ImageNet شد. ایده اصلی استفاده از ماژول های Inception است که به جای انتخاب یک اندازه فیلتر مشخص، از چندین اندازه فیلتر (۱×۱، ۳×۳، ۵×۵) به صورت موازی و همچنین یک pooling استفاده می کند و سپس خروجی ها را در بعد کانال با هم ترکیب می کند. این کار به شبکه اجازه می دهد ویژگی ها را در مقیاس های مختلف استخراج کند.
برای کاهش بار محاسباتی، قبل از فیلترهای ۳×۳ و ۵×۵ از یک کانولوشن ۱×۱ برای کاهش ابعاد کانال (bottleneck) استفاده می شود. ساختار یک ماژول Inception (نسخه v1) به صورت زیر است:
\[ \text{Input} \rightarrow \begin{cases} \text{Conv 1x1} \\ \text{Conv 1x1} \rightarrow \text{Conv 3x3} \\ \text{Conv 1x1} \rightarrow \text{Conv 5x5} \\ \text{MaxPool 3x3} \rightarrow \text{Conv 1x1} \end{cases} \xrightarrow[\text{کانال}]{\text{الحاق}} \text{Output} \]GoogLeNet شامل ۹ ماژول Inception به صورت پشت سر هم (با مجموع ۲۲ لایه) است. برای جلوگیری از overfitting و کمک به همگرایی، از دو طبقه بند کمکی (auxiliary classifiers) در میانه شبکه استفاده می شود که فقط در زمان آموزش به کار می روند.
نسخه های بعدی Inception (v2, v3, v4) با بهبودهایی مانند استفاده از فیلترهای ۳×۳ تجزیه شده به دو فیلتر ۳×۱ و ۱×۳، نرمال سازی دسته ای (batch norm)، و ترکیب با ResNet (Inception-ResNet) ارائه شدند.
کاربردها: تشخیص تصویر، تشخیص اشیاء، و به عنوان backbone در بسیاری از سیستم ها. Inception نشان داد که می توان با طراحی دقیق، شبکه های عمیق و عریضی ساخت که هم کارآمد و هم دقیق باشند.
