Inception Network (GoogLeNet)
Inception / GoogLeNet · Ayrıca şöyle bilinir: GoogLeNet, Inception v1, Deep Convolutional Neural Network (Google), Başlangıç Ağı
Szegedy ve ark. tarafından 2015 yılında Google'da tanıtılan ve CVPR'a GoogLeNet adıyla sunulan Inception Network, büyük ölçekli görüntü tanıma için tasarlanmış 22 katmanlı derin bir evrişimli sinir ağıdır. Tanımlayıcı katkısı, birden çok çekirdek boyutundaki evrişimleri paralel olarak uygulayan ve çıktılarını birleştiren Inception modülüdür; bu modül, hesaplama maliyetinde orantılı bir artış olmadan ağın farklı ölçeklerdeki uzamsal özellikleri aynı anda yakalamasını sağlar.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Inception Network, hesaplama verimliliğinin önemli olduğu görüntü sınıflandırma, nesne algılama (omurga olarak) ve transfer öğrenme görevleri için uygundur. Sabit boyutlu girdi görüntüleri varsayar ve paralel dalları için yeterli GPU belleği gerektirir. Parametre sayısı VGGNet'ten daha az olan derin, doğru bir özellik çıkarıcıya ihtiyacınız olduğunda kullanın. Artık bağlantılar veya daha yüksek doğruluk öncelikliyse ResNet veya sonraki Inception varyantlarını (v2–v4, Inception-ResNet), kaynak kısıtlı cihazlarda dağıtım yapılıyorsa MobileNet varyantlarını düşünün.
Güçlü yönler & sınırlılıklar
- Paralel evrişim dalları aracılığıyla tek bir katman içinde çok ölçekli özellik çıkarma
- Pahalı işlemlerden önce kanal derinliğini azaltan 1×1 darboğaz evrişimleri sayesinde hesaplama açısından verimli
- VGGNet gibi karşılaştırılabilir derecede derin ağlardan önemli ölçüde daha az parametre, bellek ve aşırı uyum riskini azaltır
- Yardımcı sınıflandırıcılar, 22 katmanlı ağın optimizasyonunu stabilize ederek eğitim sırasında gradyan akışını iyileştirir
- Mimari karmaşıklık, basit sıralı ağlardan daha zor manuel modifikasyon ve hiperparametre ayarlaması anlamına gelir
- Heterojen dal genişlikleri, bellek parçalanmasını ve suboptimal GPU kullanımını önlemek için dikkatli uygulama gerektirir
- Daha sonraki varyantlar (Inception v2–v4, Inception-ResNet), doğruluk açısından orijinalini geride bırakır, bu da v1'in bugün nadiren en iyi seçenek olmasına neden olur
- Küresel ortalama havuzlama, son katmanda uzamsal bilgiyi atar, bu da ince taneli lokalizasyon gerektiren görevlere zarar verebilir
SSS
Inception modülündeki 1×1 evrişimlerin amacı nedir?
1×1 evrişimler, daha pahalı 3×3 ve 5×5 evrişimleri uygulanmadan önce kanal sayısını azaltan darboğaz katmanları olarak hizmet eder. Bu boyut azaltma, hesaplama maliyetini ve parametre sayısını önemli ölçüde düşürürken, aynı zamanda temsil kapasitesini artırabilen ek doğrusal olmayanlıklar ekler.
Neden eğitim sırasında yardımcı sınıflandırıcılar kullanılır ve çıkarım sırasında atılır?
Yardımcı sınıflandırıcılar, ara katmanlara sınıflandırma kaybı enjekte ederek, 22 katmanlı bir ağda aksi takdirde kaybolan gradyanlardan muzdarip olacak alt katmanlara daha güçlü gradyan sinyalleri sağlar. Eğitim ağırlıkları stabilize ettikten sonra, bu dallar çıkarım sırasında doğruluk faydası sağlamaz ve hesaplamayı azaltmak için kaldırılır.
GoogLeNet, ILSVRC 2014'te de ortaya çıkan VGGNet'ten nasıl farklıdır?
VGGNet, tek tip 3×3 evrişimlerin basit bir yığınını kullanır ve ölçeklendirmesi kolaydır, ancak 138 milyona kadar parametre içerir. GoogLeNet, paralel çok ölçekli dallara sahip Inception modüllerini kullanır ve yaklaşık 12 kat daha az parametre ile karşılaştırılabilir veya daha iyi doğruluk elde eder, bu da onu dağıtım için daha pratik hale getirir.
Kaynaklar
- Szegedy, C., et al. (2015). Going deeper with convolutions. IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 1–9. DOI: 10.1109/CVPR.2015.7298594 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 2). Inception / GoogLeNet. ScholarGate. https://scholargate.app/tr/deep-learning/inception-network
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Artık Ağ (ResNet)Derin öğrenme↔ karşılaştır
- VGGNet (Çok Derin Evrişimli Ağlar)Derin öğrenme↔ karşılaştır