简短回答：深度架构，特别是 GoogLeNet（22 层）在训练（反向传播算法）期间存在梯度消失问题的危险。GoogLeNet 的工程师也通过在中间层添加分类器来解决这个问题，使得最终损失是中间损失和最终损失的组合。这就是为什么你会看到总共三个损失层，不像通常的单层作为网络的最后一层。

更长的答案：在经典机器学习中，特征工程和分类之间通常存在区别。神经网络以其“端到端”解决问题的能力而闻名，即它们结合了学习数据表示和训练分类器的阶段。因此，您可以将具有标准架构（例如，AlexNet）的神经网络视为由“表示学习”阶段（从前到最后的层）和“分类”阶段组成，正如预期的那样，包括一个损失函数。

在创建更深的网络时，会出现一个被称为“梯度消失”的问题。它实际上并不特定于神经网络。而不是任何基于梯度的学习方法。它不是那么微不足道，因此值得为自己做一个适当的解释；请参阅此处以获得很好的参考。直观地说，随着我们深入网络，您可以考虑梯度携带的信息越来越少，这当然是一个主要问题，因为我们仅根据梯度调整网络的参数（权重），使用“反向支持” “ 算法。

GoogLeNet 的开发者是如何处理这个问题的？他们认识到，不仅最终层的特征携带了所有的区分信息：中间特征也能够区分不同的标签；而且，最重要的是，它们的值更“可靠”，因为它们是从梯度携带更多信息的早期层中提取的。基于这种直觉，他们在两个中间层中添加了“辅助分类器”。这就是您在问题中提到的网络中间“早期逃逸”损失层的原因。

总损失是这三个损失层的组合。我引用原始文章：

这些分类器采用较小的卷积网络形式，置于 Inception (4a) 和 (4d) 模块的输出之上。在训练期间，它们的损失以折扣权重添加到网络的总损失中（辅助分类器的损失权重为 0.3）。在推理时，这些辅助网络被丢弃。

视觉上：

除了@galoosh33 的回答：在我看来，辅助分类器使用与最终输出分类器相同的标签。资料来源： https ://pdfs.semanticscholar.org/0b99/d677883883584d9a328f6f2d54738363997a.pdf 中的幻灯片 34

以前，我想知道这些辅助分类器是否使用了其他类型的标签（例如，只是狗而不是西伯利亚哈士奇）。