☆ सहेजें GoogLeNet क्या है? Inception Module से Multi-scale Features सीखने वाली CNN

06/06/2026

GoogLeNet (Inception v1, 2014) image classification के लिए विकसित एक प्रसिद्ध CNN architecture है, जिसने ILSVRC 2014 जीता। इसे समझने का सबसे अच्छा तरीका है कि इसे Inception Module पर आधारित multi-branch CNN design के रूप में देखा जाए। उस समय अधिकांश models केवल depth बढ़ाने पर ध्यान दे रहे थे, जबकि GoogLeNet ने network depth के साथ computational efficiency पर भी जोर दिया।

आसान शब्दों में: GoogLeNet image को अलग-अलग zoom levels से देखता है, ताकि छोटे texture, मध्यम pattern और बड़े shape जैसे multi-scale features एक ही stage पर capture हो सकें।

Inception Module अलग-अलग convolution और pooling branches के feature maps को channel dimension में concatenate करके एक unified feature map बनाता है।

📚 यह लेख इन हब में शामिल है

Deep Learning Architecture — CNN, RNN और Transformer की तुलना और प्रमुख Models की पूरी गाइड CNN — Convolution, Pooling संरचना और ResNet जैसे प्रमुख Models की विस्तृत समझ

कार्यप्रणाली और मुख्य विशेषताएँ

Inception Module:
- Inception Module का goal था: अलग-अलग receptive field sizes को एक ही layer में combine करना।
- इसमें 1×1 Convolution, 3×3 Convolution, 5×5 Convolution और Max Pooling branch को parallel तरीके से process किया जाता है।
- हर branch image को अलग receptive field से देखती है, इसलिए small texture से लेकर larger shape तक multi-scale features capture किए जा सकते हैं।
- अंत में सभी branch feature maps को channel dimension में concatenate करके अगले layer को एक unified feature map के रूप में भेजा जाता है।
1×1 Convolution as Bottleneck:
- Computationally expensive 3×3 और 5×5 Convolution से पहले 1×1 Convolution channels की संख्या घटाता है।
- यह dimensionality reduction या bottleneck layer की तरह काम करता है: पहले channel reduction, फिर lower-cost convolution।
- इस compressed feature representation के बाद बड़ा convolution लगाना काफी सस्ता हो जाता है।
- इसी design की वजह से GoogLeNet लगभग 22 layers deep होने के बावजूद AlexNet की तुलना में बहुत कम, लगभग 6–7M parameters रखता था।
\[ \text{Parameters} = k \times k \times C_{in} \times C_{out} \]

Kernel size या input channels बढ़ने पर parameter count तेजी से बढ़ता है।
\[ 1 \times 1 \times C_{in} \times C_{mid} \ll 3 \times 3 \times C_{in} \times C_{out} \]

Computationally expensive convolution से पहले channels घटाने पर cost काफी कम हो जाती है।
Depth और efficiency का balance:
- GoogLeNet लगभग 22 layers deep architecture है, लेकिन इसका parameter count AlexNet से काफी कम था।
- सिर्फ layers बढ़ाने के बजाय, यह एक ही layer में कई receptive field sizes का उपयोग करके feature extraction को अधिक flexible बनाता है।
- Inception Module ने CNN design को एक नया दृष्टिकोण दिया, जहाँ accuracy और efficiency दोनों को साथ में optimize किया गया।
Training stabilization:
- GoogLeNet में training के दौरान intermediate points पर Auxiliary Classifiers लगाए गए।
- इनका काम gradient signal को intermediate layers तक बेहतर तरीके से पहुँचाना था।
- Auxiliary Classifier inference-time feature extraction का core हिस्सा नहीं है; यह मुख्य रूप से training को stabilize करने वाला सहायक component है।
Global Average Pooling:
- GoogLeNet ने large Fully Connected Layers पर dependence कम करने के लिए Global Average Pooling का उपयोग किया।
- इससे FC layers को काफी हद तक replace किया गया, parameters घटे और model अधिक lightweight बना।
- GoogLeNet और Inception Module आधुनिक efficient CNN designs की नींव माने जाते हैं।

महत्त्व और सीमाएँ

GoogLeNet ने Inception Module के जरिए multi-scale features को compact और efficient तरीके से extract करके अपने समय के लिए state-of-the-art image classification performance दिखाई। यही वजह है कि GoogLeNet CNN architecture के इतिहास में एक महत्वपूर्ण milestone माना जाता है। हालांकि Inception Module की internal branch structure VGG जैसे models की तुलना में complex है, इसलिए implementation और tuning आसान नहीं होती। बाद में ResNet जैसी architectures ने simpler design rules के साथ network depth बढ़ाना आसान बना दिया, इसलिए GoogLeNet लंबे समय तक standard architecture के रूप में नहीं बना रहा।

पहले पढ़ने के लिए सुझाए गए लेख (3/5)

आगे पढ़ने के लिए सुझाए गए लेख (5/19)