计算机视觉中Inception网络优势

通常在构建卷积网络的过程中，我们需要根据经验选择卷积核的尺寸，1x1 或者3x3 或者5x

5 或者7x7等，而且构建的网络总体参数计算量比较大。

相比之下inception网络的优势有2点：

1.inception网络会代替人工选择卷积的类型或者确定是否要选择卷积核或者池化层

案例：

 在这个网络中，并行使用1x1x192x64,3x3x192x128,5x5x192x32的卷积核，再加一个最大池化层。将所有的结果堆叠起来，最终构成1x28x28x256的图像。

它的核心思想是不需要决定使用哪种卷积核，或者是否需要池化层，由网络自己确定这些参数。我们可以给网络添加这些参数所有可能的值，然后把网络的输出拼接起来，让网络自己学习它需要什么样的参数，采用哪些卷积核组合。

如此，我们就不需要再关心到底应该如何选择卷积核。

2.在inception网络中，总体乘积参数要比普通网络参数要少。

请看下面的例子：

普通卷积核

 原始的图像数据是 1x28x28x192，通过一个5x5x192x32的卷积核，变为1x28x28x32的图像。

参数合计：5x5x192  x 32x28x28 = 1.2亿 

inception 网络卷积核

 原始的图像数据是 1x28x28x192，通过一个1x1x192x16的卷积核，变为1x28x28x16的图像，再通过一个5x5x16x32的卷积核，变为1x28x28x32的图像。

参数合计：1x1x192 x 16x28xx28  + 5x5x16 x 32x28x28 = 0.124亿

对比普通的网络，我们输入，输出的图像维度相同，但是inceotion能够显著降低参数的计算量。