目录
Inception网络
（1）简介
- Inception网络就是 Inception模块 连接而成的网络。
- Inception模块的作用就是 实现了多尺度特征的融合 ：在同一层中并行使用不同尺寸的过滤器和池化操作，提取不同尺度的图像特征并堆叠起来，让网络自主选择更有效的特征。
（2）Inception网络的核心与特点
-
Inception网络的核心：多尺度特征融合
-
Inception网络的特点：1×1卷积减少计算量
-
核心与特点相辅相成，核心会增加通道数，增加计算量，而特点缓解了这一点。（下面的完整示例可以解释）
（3）例子
- 28×28×192的输入。
- 如果使用1×1卷积，输出结果会是28×28×#，假设输出为28×28×64（绿色）。
- 如果使用3×3的过滤器，那么输出是28×28×128（蓝色）。然后我们把第二个输出堆积到第一个输出上，为了匹配维度，我们应用same卷积。
- 用5×5过滤器，输出变成28×28×32（紫色）。
- 或许我们不想要卷积层，那就可以使用池化层，这里用最大池化操作，为了匹配所有维度，使用padding，步幅为1。
- 这就是一个Inception模块：输入值通过几个不同类型的卷积，然后把它们的输出堆叠到一起。
（4）完整示例
- 一个28×28×192的输入。
- ①第一行：直接通过一个1×1的卷积层，这样的话过程就只有一步，假设这个层的输出是28×28×64。
- ②第二行：为了在这个3×3的卷积层中节省运算量，先1×1卷积，这样的话3×3的层将会输出28×28×128。
- ③第三行：先通过一个1×1的层，再通过一个5×5的层，1×1的层有16个通道，而5×5的层输出为28×28×32，共32个通道。
- ④第四行：最后是池化层，这里进行最大池化操作，采用same类型的padding进行池化，其输出将会是28×28×192，再加上一个1×1的卷积层，将通道的数量缩小到28×28×32，避免最后输出时，池化层占据所有的通道。
- 将这些方块全都连接起来，最后得到一个28×28×256的输出。这就是一个Inception模块（Inception module），而Inception网络所做的就是将这些模块都组合到一起。
