今天，谷歌再次宣布开放 Inception-ResNet-v2，一个在 ILSVRC 图像分类基准上取得顶尖准确率的卷积神经网络。
为了在该领域取得更多进展，今天我们非常高兴的宣布开放 Inception-ResNet-v2，这是一个在 ILSVRC 图像分类基准上取得顶尖准确率的卷积神经网络。Inception-ResNet-v2 是早期发布的 Inception V3 模型的变体，该模型借鉴了微软 ResNet 论文中的思路。具体内容可在我们的论文：Inception-v4, Inception-ResNet and the Impact of Residual Connections on Learning 中看到。
残差连接（Residual connections ）允许模型中进行 shortcut，也使得研究员能成功的训练更深的神经网络从而产生更好的性能。这也使得 Inception 块的极度简单化成为可能。下图对比了这两个模型架构：
Inception V3 图解
Inception-ResNet-v2 的图解
在第二张图解的顶端，你可以看到全部的网络拓展，可以注意到该网络比之前的 Inception V3 要深得多。主图的下面是更简单阅读同一网络版本的方式，里面重复的残差块是被压缩了。注意，里面的 Inception 块被简化的，比先前的 Inception V3 包含更少的并行塔 （parallel towers）。
Inception-ResNet-v2 架构比之前的前沿模型更加准确。下表报告了在基于单类图像的 ILSVRC 2012 图像分类基准上的 Top-1 和 Top-5 的准确度检验结果。此外，该新模型相比于 Inception V3 大约只需要两倍的存储和计算能力。
结果援引于 ResNet 论文
举个例子，Inception V3 和 Inception-ResNet-v2 模型在识别犬种上都很擅长，但新模型做的更好。例如，旧模型错误报告右图中的狗是阿拉斯加雪橇犬，而新的 Inception-ResNet-v2 模型准确识别了两张图片中的狗的种类。
阿拉斯加雪橇犬（左），西伯利亚爱斯基摩狗（右）
为了让人们能立即进行试验，我们也发布了 Inception-ResNet-v2 模型的一个预训练案例作为 TF-Slim 图像模型库的一部分。
相关文章
