1. 基本的Inception

2. Inception V1

3. 1×1卷积的作用

• 降低参数数量，例如
  • 输入：20×20×20
  • 卷积：8个5×5，stride=1，padding=0
  • 参数个数：20×5×5×8=4000
• 加入1×1卷积后
  • 输入：20×20×20
  • 1×1卷积：4个1×1，stride=1，padding=0
  • 1×1卷积输出：4×20×20
  • 卷积：8个5×5，stride=1，padding=0
  • 参数个数：4×1×1×20+8×5×5×4=880

个人觉得针对通道数过多比较适合

【注】每个卷积后都有BatchNorm操作的

4. Inception V2

任意nxn的卷积都可以通过1xn卷积后接nx1卷积来替代。

GoogLeNet团队发现在网络的前期使用这种分解效果并不好，在中度大小的特征图（feature map）上使用效果才会更好（特征图大小建议在12到20之间）

5. 降低特征图大小

一般情况下，如果想让图像缩小，可以有如下两种方式：

先池化再作Inception卷积，或者先作Inception卷积再作池化。

• 方法一（左图）先作pooling（池化）会导致特征表示遇到瓶颈（特征缺失）
• 方法二（右图）是正常的缩小，但计算量很大

为了同时保持特征表示且降低计算量，将网络结构改为下图，使用两个并行化的模块来降低计算量（卷积、池化并行执行，再进行合并）

6. Inception V3

Inception V3一个最重要的改进是分解（Factorization），将7x7分解成两个一维的卷积（1x7,7x1），3x3也是一样（1x3,3x1），这样的好处，既可以加速计算，又可以将1个卷积拆成2个卷积，使得网络深度进一步增加，增加了网络的非线性（每增加一层都要进行ReLU）。

7. Inception V4

Inception V4研究了Inception模块与残差连接的结合。ResNet结构大大地加深了网络深度，还极大地提升了训练速度，同时性能也有提升

Inception V4主要利用残差连接（Residual Connection）来改进V3结构，得到Inception-ResNet-v1，Inception-ResNet-v2，Inception-v4网络

ResNet的残差结构如下：

将该结构与Inception相结合，变成下图：

通过20个类似的模块组合，Inception-ResNet构建如下：

8. summary

inception模块说白了就是并行卷积池化，并且用多层小卷积替代单纯的大卷积，可以和残差网络结合一起用，具体并行多少个卷积，什么样的卷积池化根据实际来设计