来源 | 机器学习炼丹术
GoogleNet和VGG是ImageNet挑战赛中的第一名和第二名。共同特点就是两个网络的层次都更深了。但是：
VGG继承了LeNet和AlexNet的一些框架结构
而GoogleNet则做了更大胆的尝试，虽然深度有22层，但是参数却是Alexnet的1/12.而VGG都是Alexnet的三倍，由此可见，在内存和计算资源有限的时候，GoogleNet是好的结构，而且这个的性能更加优越，碾压VGG。
Inception v1
总之，Inception是GoogLeNet的核心，GoogLeNet优秀，一方面是运算速度快，而这就是Inception的功劳。
设计一个稀疏网络结构，但是怎么产生稠密的数据呢。就用这个!CNN中常见的三种卷积核，和池化操作堆叠在一起，一方面增加了网络的宽度，另一方面也加强了网络对尺度的是影响。但是这个原始的版本思路是好的，但是计算量太大了，因此作者对3x3和5x5的卷积层之前用了1x1的缩小图片的channel数量，因此V1是这个样子：
【1x1的卷积核有什么用呢？】
1x1卷积的主要目的是为了减少维度，还用于修正线性激活（ReLU）。比如，上一层的输出为100x100x128，经过具有256个通道的5x5卷积层之后(stride=1，pad=2)，输出数据为100x100x256，其中，卷积层的参数为128x5x5x256= 819200。而假如上一层输出先经过具有32个通道的1x1卷积层，再经过具有256个输出的5x5卷积层，那么输出数据仍为为100x100x256，但卷积参数量已经减少为128x1x1x32 + 32x5x5x256= 204800，大约减少了4倍。
【为什么会有池化层在其中呢？】
一般来说，想让图像缩小，有以下两种方式：
但是左边的方法先池化层后inception，这样会导致特征的缺失，而右边的方法，会导致运算量很大。为了同时保持特征并且降低运算发，将网络改成下图，使用两个并行化的模块来降低计算量，也就是池化，卷积并行，然后再合并
inception V2
设计人员想，如果只是单纯的堆叠网络，虽然可以提高准确率，但是会导致计算效率的下降，如何在不增加过多额计算量的同时提高网络的表达能力呢？
【卷积分解（Fatorizing Convolutions）】
大尺寸的卷积核可以带来更大的感受野，但是也意味着更多的参数，比如size=5的卷积核有25个参数，size=3的有9个参数。GoogLeNet团队提出可以用2个连续的3x3的卷积核组成小网络来代替单个size=5的卷积层：
通过大量的实验证明，这样的方案并不会导致表达的缺失。更进一步，团队考虑了nx1的卷积核，如下图：
因此，任意的nxn的卷积都可以通过nx1后接上1xn来代替。但是团队发现在网络的前期使用这样分解的效果并不好，在中部使用效果才会好。
团队更新了网络中的Inception的结构，如下图：
figure5是原来的v1版本，然后figure6是改成两个3x3的版本，然后figure7是改成了1xn和nx1的版本。
inception v3
最重要的改进就是分解Factorization，把7x7分解成两个一维的卷积（1x7和7x1），3x3的也是一样，这样的好处是，既可以加速运算，又可以将一个卷积拆成两个卷积，这样使得网络的深度进一步加深，并且增加了网络的非线性。（每增加一层都要用ReLU），此时网络的输入也从224x224变成299x299。
Inception v4
研究了Inception模块与残差连接的结合，ResNet结构大大加深了网络的深度，而且极大的提高了训练速度。总之，Inception v4就是利用残差连接（Residual Connection)来改进v3，得到Inception-ResNet-v1, Inception-ResNet-v2, Inception-v4网络 我们先简单的看一下什么是残差结构：
结合起来就是：
然后通过二十个类似的模块，得到：
