GoogLeNet吸收了NiN中串联网络的思想，并在此基础上做了改进。 这篇论文的一个重点是解决了什么样大小的卷积核最合适的问题。 毕竟，以前流行的网络使用小到1 * 1，大到11 * 11的卷积核。

本文的一个观点是，有时使用不同大小的卷积核组合是有利的。

本节将介绍一个稍微简化的GoogLeNet版本：我们省略了一些为稳定训练而添加的特殊特性，现在有了更好的训练方法，这些特性不是必要的。

1. 最好的卷积层超参数？

2. Inception块：小学生才做选择题，我全要了

在GoogLeNet中，基本的卷积块被称为Inception块（Inception block）。这很可能得名于电影《盗梦空间》（Inception），因为电影中的一句话“我们需要走得更深”（“We need to go deeper”）。

4个路径从不同层面抽取信息，然后在输出通道维合并。

Inception块由四条并行路径组成。

前三条路径使用窗口大小为 1×1 、 3×3 和 5×5 的卷积层，从不同空间大小中提取信息。
中间的两条路径在输入上执行 1×1 卷积，以减少通道数，从而降低模型的复杂性。
第四条路径使用 3×3 最大汇聚层，然后使用 1×1 卷积层来改变通道数。

这四条路径都使用合适的填充来使输入与输出的高和宽一致，最后我们将每条线路的输出在通道维度上连结，并构成Inception块的输出。在Inception块中，通常调整的超参数是每层输出通道数。

3. Inception块

图中白色区域可以看做基本上是改变通道数的，蓝色的卷积是用来抽取特征：第一条路径的1 * 1是用来抽取通道信息，而不抽取空间信息，中间两条路径是抽取空间信息，最后一条路径也是抽取空间信息。

跟单 3 * 3或 5 * 5卷积层相比，Inception块有更少的参数个数和计算复杂度。

4. GoogLeNet模型

最后的全连接层把通道数映射到标号所要的类别数，因此在这里，不强求经过全局平均汇聚层使得通道数等于类别数。

5. 段1 & 2

更小的宽口，更多的通道。

6. 段3

7. 段 4 & 5

8. Inception 有各种后续变种

9. Inception V3块，段3

10. Inception V3块，段4

11. Inception V3块，段5

12. 实际效果

ps：图片中圈的大小越大，所耗内存越多

13. 总结

• Inception块用4条有不同超参数的卷积层和池化层的路来抽取不同的信息

  • 它的一个主要优点是模型参数小，计算复杂度低

• GoogleNet使用了9个Inception块，是第一个达到上百层的网络

  • 后续有一系列改进