Из-за нехватки вычислительных ресурсов исследователи не могли до бесконечности увеличивать глубину свёрточных сетей. Нужно было что-то придумать, чтобы уменьшить число параметров сети, которые должны обучаться. И как раз-таки команда из Google нашла решение как можно на порядок снизить вычислительную сложность, но при этом получить высокую точность. Так появилась сеть GoogLeNet. В этом видео мы по традиции познакомимся с создателями (оно того стоит). Дальше разберёмся с архитектурой GoogLeNet. И поймём что же уникального предложили авторы. Упрощённо разберёмся с блоком Inception. Затем обучим pytorch googlenet сеть и взглянем на предсказания сети на датасете Арма. А ещё найдём баг в коде создания модели googlenet и разберёмся в причине. И это первая часть знакомства с Inception. Далее ещё будет вторая (часть 3.2) Таймкоды: 00:00 | Введение 00:49 | Знакомимся с авторами статьи 07:01 | Начинаем знакомиться с GoogLeNet 09:56 | Архитектура GoogLeNet 11:47 | В чём прелесть Inception 18:20 | Обучаем модель GoogLeNet на датасете Арма 21:25 | Устраняем ошибку с отсутствием весов для aux слоёв 24:35 | Анализируем предсказания, сделанные моделью GoogLeNet 27:26 | Проверяем правильность модели GoogLeNet в Pytorch 29:00 | Ищем причину бага в архитектуре модели из Pytorch
