GoogLeNet模型介绍---inceptionv1，v2，v3，v4原理

        GoogLeNet，核心亮点就是Inception，网络的最大特点是用全局平均池化取代全连接层，减少了模型计算量，使得模型训练速度更快并且减轻了过拟合。

      Inception目前已经有v2，V3，V4版本，主要针对解决深层网络以下3个问题：

• 参数太多容易过拟合，训练数据集有限。
• 网络越大计算复杂度越大，难以应用。
• 网络越深，梯度往后越容易消失，难以优化模型`。

Inception

Inception的核心思想是通过增加网络深度与宽度并减少参数的方法解决问题，并提高模型精度。Inception的结构是将1x1、3x3、5x5的卷积核对应的卷积操作和3x3的滤波器对应的池化操作堆叠而成，一方面增加网络宽度，另一方面增加了网络对尺度的适应性，结构图如图1所示。

Inception v1

Inception v1模型在原有的Inception模型上做了些改进，在3x3、5x5的卷积核与最大池化层后分别添加了1x1的卷积核，降低维度。1x1的卷积增加特征变化与非线性变化所需计算量更小。结构图如图2所示.。