演算法詳解：
xception是google繼inception後提出的對inception v3的另一種改進，主要是採用depthwise separable convolution來替換原來inception v3中的卷積操作。
要介紹xception的話，需要先從inception講起，inception v3的結構圖如下figure1。當時提出inception的初衷可以認為是：特徵的提取和傳遞可以通過1*1卷積，3*3卷積，5*5卷積，pooling等，到底哪種才是最好的提取特徵方式呢？inception結構將這個疑問留給網路自己訓練，也就是將乙個輸入同時輸給這幾種提取特徵方式，然後做concat。inception v3和inception v1（googlenet）對比主要是將5*5卷積換成兩個3*3卷積層的疊加。
於是從inception v3聯想到了乙個簡化的inception結構，就是figure 2。
再將figure2延伸，就有了figure3，figure3表示對於乙個輸入，先用乙個統一的1*1卷積核卷積，然後連線3個3*3的卷積，這3個卷積操作只將前面1*1卷積結果中的一部分作為自己的輸入（這裡是將1/3channel作為每個3*3卷積的輸入）。再從figure3延伸就得到figure4，也就是3*3卷積的個數和1*1卷積的輸出channel個數一樣，每個3*3卷積都是和1個輸入chuannel做卷積。
鋪墊了這麼多，終於要講到xception了。在xception中主要採用depthwise separable convolution，什麼是depthwise separable convolution？這是mobilenet裡面的內容，可以參考另一篇博文：mobilenets-深度學習模型的加速。這裡簡單介紹下：下圖就是depthwise separable convolution的示意圖，其實就是將傳統的卷積操作分成兩步，假設原來是3*3的卷積，那麼depthwise separable convolution就是先用m個3*3卷積核一對一卷積輸入的m個feature map，不求和，生成m個結果；然後用n個1*1的卷積核正常卷積前面生成的m個結果，求和，最後生成n個結果。因此文章中將depthwise separable convolution分成兩步，一步叫depthwise convolution，就是下圖的（b），另一步是pointwise convolution，就是下圖的（c）。
其實depthwise separable convolution和上面的figure4是很像的。差別有兩個：1、順序不一樣，在depthwise separable convolution中是先進行乙個channel-wise的spatial convolution，也就是上圖的（b），然後是1*1的卷積。而在figure4中是先進行1*1的卷積，再進行channel-wise的spatial convolution，最後concat。2、在figure4中，每個操作後都有乙個relu的非線性啟用，但是在depthwise separable convolution中沒有。
那麼作者為什麼要採用depthwise separable convolution操作呢？就是從figure1到figure4的關於inception v3結構的不斷延伸，然後figure4基本上和depthwise separable convolution沒有太大的區別，於是就有了引入depthwise separable convolution修改inception v3結構的xception。
figure5是xception的結構圖。這裡的sparsableconv就是depthwise separable convolution。另外，每個小塊的連線採用的是residule connection（圖中的加號），而不是原inception中的concat。
實驗結果：
table1表示幾種網路結構在imagenet上的對比。
table2表示幾種網路結構在jft資料集上的對比。大資料上的提公升會比table1好一點。
總結：
xception作為inception v3的改進，主要是在inception v3的基礎上引入了depthwise separable convolution，在基本不增加網路複雜度的前提下提高了模型的效果。有些人會好奇為什麼引入depthwise separable convolution沒有大大降低網路的複雜度，因為depthwise separable convolution在mobilenet中主要就是為了降低網路的複雜度而設計的。原因是作者加寬了網路，使得引數數量和inception v3差不多，然後在這前提下比較效能。因此xception目的不在於模型壓縮，而是提高效能。
深度學習 Xception
創新點網路結構 總結 位址 參考部落格 xception是google繼inception後提出的對inception v3的另一種改進，主要是採用depthwise separable convolution來替換原來inception v3中的卷積操作。inception 最初提出的版本，其核心...
輕量級網路 Xception
xception是google繼inception後提出的對inception v3的另一種改進，主要是採用depthwise separable convolution來替換原來inception v3中的卷積操作。xception在參數量上同inception v3基本等同，在imagenet上...
A 演算法詳解
第一部分 a 演算法簡介 寫這篇文章的初衷是應乙個的要求，當然我也發現現在有關人工智慧的中文站點實在太少，我在這裡 拋磚引玉，希望大家都來熱心的參與。還是說正題，我先拿a 演算法開刀，是因為a 在遊戲中有它很典型的用法，是人工智慧在遊戲中的代表。a 演算法在人工智慧中是一種典型的啟發式搜尋演算法，為...