简单易懂的inception讲解！！！

一、导言：

Inception，又称GoogLeNet，不写为GoogleNet，是为了向Yann LeCuns设计的卷积网络先驱LeNet 5致敬。Inception是2014年由Christian Szegedy等人提出的一种全新的深度学习结构(Szegedy, Liu et al. 2015)，获得2014年的 ILSVRC比赛冠军，后来又衍生出Inception v2(Ioffe and Szegedy 2015)、Inception v3(Szegedy, Vanhoucke et al. 2016)和Inception v4(Szegedy, Ioffe et al. 2017)等多个版本。

在Inception 出现之前，大部分流行CNN仅仅是把卷积层堆叠得越来越多，使网络越来越深，希望能够得到更好的性能。但层数的增加会带来很多负作用，比如过拟合、梯度消失、梯度爆炸等。

构建卷积网络时，往往需要决定如何配置参数，例如卷积核的尺寸、卷积核的个数、是否需要添加池化层等。Inception网络的优势是在同一层上并联多种卷积方法，当然这种并联结构也增加了复杂性。

二、讲解

有了Inception模块，你就可以输入某个量，因为它累加了所有数字，这里的最终输出为32+32+128+64=256。Inception模块的输入为28×28×192，输出为28×28×256。这就是Inception网络的核心内容。

基本思想是Inception网络不需要人为决定使用哪个过滤器或者是否需要池化，而是由网络自行确定这些参数，你可以给网络添加这些参数的所有可能值，然后把这些输出连接起来，让网络自己学习它需要什么样的参数，采用哪些过滤器组合。这里所描述的Inception层有一个问题，就是计算成本。

我们可以通过1x1卷积降维来减少计算成本，计算量从1.2亿减小到原来的十分之一

Inception模块会将之前层的激活或者输出作为它的输入。inception卷积的基本结构：

下面是一张取自Szegety et al的论文中关于Inception网络的图片，你会发现图中有许多重复的模块，可能整张图看上去很复杂，但如果你只截取其中一个环节（如编号1），就会发现这就是上面讲的Inception模块。

我们深入看看里边的一些细节，编号2是另一个Inception模块，编号3也是一个Inception模块。这里有一些额外的最大池化层（编号6）来修改高和宽的维度。编号4是另外一个Inception模块，编号7是另外一个最大池化层，它改变了高和宽。而编号5又是另一个Inception模块。

所以Inception网络只是很多这些你学过的模块在不同的位置重复组成的网络，所以如果你理解了之前所学的Inception模块，你就也能理解Inception网络。

事实上，如果你读过论文的原文，你就会发现，这里其实还有一些分支，这些分支有什么用呢？在网络的最后几层，通常称为全连接层，在它之后是一个softmax层（编号1）来做出预测，这些分支（编号2）所做的就是通过隐藏层（编号3）来做出预测，所以这其实是一个softmax输出（编号2），编号1也是。这是另一条分支（编号4），它也包含了一个隐藏层，通过一些全连接层，然后有一个softmax来预测，输出结果的标签。

你应该把它看做Inception网络的一个细节，它确保了即便是隐藏单元和中间层（编号5）也参与了特征计算，它们也能预测图片的分类。它在Inception网络中，起到一种调整的效果，并且能防止网络发生过拟合。

参考：

【3.22 Inception卷积网络】

【2.7 Inception 网络-深度学习第四课《卷积神经网络》-Stanford吴恩达教授】