Tensorflow GoogLeNet Inception v4与论文不同？

论文：

代码：

---

第91行：

branch_2 = slim.conv2d(branch_2, 224, [7, 1], scope='Conv2d_0d_7x1')

文中为[1,7]

---

第216行：

branch_0 = slim.conv2d(net, 192, [3, 3], stride=2, padding='VALID',

---

在papter步幅不等于2时，这是一个轻微的不匹配：

  branch_2 = slim.conv2d(branch_2, 224, [7, 1], scope='Conv2d_0d_7x1')

它不是使用卷积序列{[1,7]，[7,1]，[1,7]，[7,1]}，而是使用{[7,1]，[1,7]，[7,1]，[1,7]}。如果它对准确性有影响，我会感到惊讶，但可能仍然值得在github上创建一个问题

关于第二个问题：

branch_0 = slim.conv2d(net, 192, [3, 3], stride=2, padding='VALID',

---

他们显然忘记或省略了（为了更好地理解）插图上的大步。该层应该会降低空间分辨率，因为它以71x71x192作为输入，并产生35x35的输出。

这是一个较小的不匹配：

  branch_2 = slim.conv2d(branch_2, 224, [7, 1], scope='Conv2d_0d_7x1')

它不是使用卷积序列{[1,7]，[7,1]，[1,7]，[7,1]}，而是使用{[7,1]，[1,7]，[7,1]，[1,7]}。如果它对准确性有影响，我会感到惊讶，但可能仍然值得在github上创建一个问题

关于第二个问题：

branch_0 = slim.conv2d(net, 192, [3, 3], stride=2, padding='VALID',

---

他们显然忘记或省略了（为了更好地理解）插图上的大步。该层应该会降低空间分辨率，因为它采用71x71x192作为输入，并产生35x35的输出。

谢谢您的回答。第86行似乎真的错了，在论文中是[1,7]@YoonPer卷积对[7,1][1,7]是一个优化技巧，它减少了完整[7,7]conv的参数数量。前2行有2*（7*1+1）对1*（7*7+1）。从这个角度看，哪一个先到并不重要，只要你先用两个，我知道这一点，但在图5的文章中，分支3，是一对卷积[1,7][1,7]，代码是[1,7][7,1]，我不知道是谁的错。对，不应该是这样的。插图一定是错的。谢谢你的回答。第86行似乎真的错了，在论文中是[1,7]@YoonPer卷积对[7,1][1,7]是一个优化技巧，它减少了完整[7,7]conv的参数数量。前2行有2*（7*1+1）对1*（7*7+1）。从这个角度看，哪一个先到并不重要，只要你先用两个，我知道这一点，但在图5的文章中，分支3，是一对卷积[1,7][1,7]，代码是[1,7][7,1]，我不知道是谁的错。对，不应该是这样的。插图一定是错的