5. 9 多路并行的GoogLeNet

并行连接网络GoogLeNet

GoogLeNet名字的由来。 它是由Google研发，对LeNet表示致敬的。所以命名为GooLeNet

---

文章目录

• 并行连接网络GoogLeNet
• 前言
• 一、 Inception块
• 总结

---

前言

在2014年的ImageNet图像识别挑战赛中，一个名叫GoogLeNet的网络结构大放异彩 [1]。它虽然在名字上向LeNet致敬，但在网络结构上已经很难看到LeNet的影子。GoogLeNet吸收了NiN中网络串联网络的思想，并在此基础上做了很大改进。在随后的几年里，研究人员对GoogLeNet进行了数次改进，本节将介绍这个模型系列的第一个版本。

---

提示：以下是本篇文章正文内容，下面案例可供参考

一、 Inception块

示例：pandas 是基于NumPy 的一种工具，该工具是为了解决数据分析任务而创建的。

1. 图像

2.代码块(以下代码在Colab上调试过)

代码如下（示例）：

pip install d2l
from d2l import torch as d2l
import torch
from torch import nn
from torch.nn import function as F

class Inception(nn.Module):
  def __init__(self,in_channels,c1,c2,c3,c4,**kwargs):
    super(Inception,self).__init__(**kwargs)

    self.p1_1 = nn.Conv2d(in_channels,c1,kernel_size=1)

    self.p2_1 = nn.Conv2d(in_channels,c2[0],kernel_size=1)
    self.p2_2 = nn.Conv2d(c2[0],c2[1],kernel_size=3,padding=1)

    self.p3_1 = nn.Conv2d(in_channels,c3[0],kernel_size=1)
    self.p3_2 = nn.Conv2d(c3[0],c3[1],kernel_size=5,padding=2)

    self.p4_1 = nn.MaxPool2d(kernel_size=3,stride=1,padding=1)
    self.p4_2 = nn.Conv2d(in_channels,c4,kernel_size=1)
  
  def forward(self,x):
    p1 = F.relu(self.p1_1(x))
    p2 = F.relu(self.p2_2( F.relu(self.p2_1(x))))
    p3 = F.relu(self.p3_2(F.relu(self.p3_1(x))))
    p4 = F.relu(self.p4_2(F.relu(self.p4_1(x))))

    return torch.cat((p1,p2,p3,p4),dim=1)
      

该处使用的url网络请求的数据。

---

# 三、训练模型

总结

提示：这里对文章进行总结：
例如：以上就是今天要讲的内容，本文仅仅简单介绍了pandas的使用，而pandas提供了大量能使我们快速便捷地处理数据的函数和方法。