这是深度学习模型解读第二篇，本篇我们将介绍Network InNetwork。
作者&编辑 | 言有三
Network In Network 是发表于2014年ICLR的一篇paper。这篇文章采用较少参数就取得了Alexnet的效果，Alexnet参数大小为230M，而Network In Network仅为29M，这篇paper主要两大亮点：
01 提出MLP卷积层
下图是传统卷积结构：
使用relu的一个非线性变换操作为：
i,j表示像素下标，xi,j表示像素值，wk表示卷积参数，k就是下标的索引。
MLP卷积层结构如下图：
mlpconv层的计算公式为：
i,j表示像素下标，xi,j表示像素值，wk,n表示第n层卷积卷积参数。
从以上可以看出，MLP卷积层通过叠加"micro network"网络，提高非线性表达，而其中的"micro network"基本组成单元是1*1卷积网路，说到这，就要解释一下1*1卷积了，该篇论文是首次提出1*1卷积，具有划时代的意义，之后的Googlenet借鉴了1*1卷积，还专门致谢过这篇论文。
1*1卷积的意义：
1. 实现了不同通道同一位置的信息融合
如上图，C2融合了C1不同通道同一位置的信息。
2. 可以实现通道数的降维或升维
1*1*n，如果n小于之前通道数，则实现了降维，如果n大于之前通道数，则实现了升维。
02 用全局均值池化代替全连接层
首先让我们看下Network In Network的网络结构，如下图。
上图看出，该网络结构有三个MLP卷积层组成，每个MLP卷积层分别是一个普通卷积，加两个1*1卷积。以1000分类为例，最后一个1*1卷积输出的featuremap大小为6*6*1000。之后每个featuremap采用全局均值池化，输出1000个分类。由于没有全连接的大量参数，使用全局均值池化不需要参数，极大的降低了参数量。
如下图是在CIFAR-10 数据集中 Global average pooling 和 fully connected测试对比图， 从下图可以看出无参数的Global average pooling层 相比较于有参数的全连接层错误率更低。
03 总结
Network In Network通过创新的创建MLP卷积层，提高了网络的非线性表达同时降低了参数量，用全局均值池化代替全连接层，极大的降低了参数量。
参考文献
Lin M, Chen Q, Yan S. Network In Network[J]. Computer Science, 2014
同时，在我的知乎专栏也会开始同步更新这个模块，欢迎来交流
https://zhuanlan.zhihu.com/c_151876233
注：部分图片来自网络
—END—
