什么是Inception以及GoogleNet结构

googleNet是2014年的ILSVRC的冠军模型，GoogleNet做了更大胆的网络上的尝试，而不是像vgg继承了lenet以及alexnet的一切框架。GoogleNet虽然有22层，但是参数量只有AlexNet的1/12。

GoogleNet论文指出获得高质量模型最保险的做法就是增加模型的深度，或者是它的宽度，但是一般情况下，更深和更宽的网络会出现以下问题：

1. 参数太多，容易过拟合，如果训练数据有限，则这一问题更加突出；
2. 网络越大计算复杂度越大，难以应用；
3. 网络越深，容易出现梯度消失问题

总之更大的网络容易产生过拟合，并且增加了计算量

【GoogleNet给出的解决方案】

1. 将全连接层甚至一般的卷积都转化为稀疏连接

GoogleNet为了保持神经网络结构的稀疏性，又能充分利用密集矩阵的高计算性能，提出了名为Inception的模块化结构来实现此目的。依据就是大量文献都表明，将稀疏矩阵聚类为比较密集的子矩阵可以提高计算性能。（这一块我没有很明白，是百度到的知识，但是关键在于GoogleNet提出了Inception这个模块化结构，在2020年的今日，这个模块依然有巨大作用）

1 Inception

这是一种王中王结构，哦不，是网中网结构（Network in Network）。就是原来的节点也是一个网络，使用了Inception，这个网络结构的宽度和深度都可以扩大。从而带来性能的提升。解释说明：

• 采用不同大小的卷积核意味着，大小不同的感受野，最后拼接意味着不同尺度特征的融合。
• 之所以卷积核采用1，3，5，主要是为了方便对其，设定卷积步长stride=1后，只需要分别设置pad=0，1，2，这样卷积后就可以得到相同维度的特征，然后直接拼接在一起
• 文章中说很多地方都表明pooling很有效果，所以这里也引入了。。。。。。
• 网络越到后面，特征越抽象，而且每个特征所设计的感受野也更大了，因此，在层数的增加，3x3和5x5的卷积的比例增加（后面会看到）
• 使用5x5的卷积核仍然会带来巨大的计算量，为此文章借鉴NIN2，采用1x1的卷积核来降低维度。到底是如何使用1x1的卷积核降低维度的呢？假设有一个3x3x10的图片特征，长宽都是1，然后channel，我喜欢叫它厚度是10，我们想要降低维度到5，怎么办呢？首先我们需要找到一个1x1x10的卷积核，然后卷积结果应该是一个3x3x1的一个特征图，我们可以找到5个这个的卷积核，卷积五次，得到的图片就会使3x3x5这样的特征图了，当然同理，1x1卷积核也可以用来提高维度.

从网上找了一张GoogleNet的美图：

还有一个：

GoogLeNet网络结构明细表解析如下：

0、输入

原始输入图像为224x224x3，且都进行了零均值化的预处理操作（图像每个像素减去均值）。

1、第一层（卷积层）

使用7x7的卷积核（滑动步长2，padding为3），64通道，输出为112x112x64，卷积后进行ReLU操作

经过3x3的max pooling（步长为2），输出为((112 - 3+1)/2)+1=56，即56x56x64，再进行ReLU操作

2、第二层（卷积层）

使用3x3的卷积核（滑动步长为1，padding为1），192通道，输出为56x56x192，卷积后进行ReLU操作

经过3x3的max pooling（步长为2），输出为((56 - 3+1)/2)+1=28，即28x28x192，再进行ReLU操作

3a、第三层（Inception 3a层）

分为四个分支，采用不同尺度的卷积核来进行处理

（1）64个1x1的卷积核，然后RuLU，输出28x28x64

（2）96个1x1的卷积核，作为3x3卷积核之前的降维，变成28x28x96，然后进行ReLU计算，再进行128个3x3的卷积（padding为1），输出28x28x128

（3）16个1x1的卷积核，作为5x5卷积核之前的降维，变成28x28x16，进行ReLU计算后，再进行32个5x5的卷积（padding为2），输出28x28x32

（4）pool层，使用3x3的核（padding为1），输出28x28x192，然后进行32个1x1的卷积，输出28x28x32。

将四个结果进行连接，对这四部分输出结果的第三维并联，即64+128+32+32=256，最终输出28x28x256

3b、第三层（Inception 3b层）

（1）128个1x1的卷积核，然后RuLU，输出28x28x128

（2）128个1x1的卷积核，作为3x3卷积核之前的降维，变成28x28x128，进行ReLU，再进行192个3x3的卷积（padding为1），输出28x28x192

（3）32个1x1的卷积核，作为5x5卷积核之前的降维，变成28x28x32，进行ReLU计算后，再进行96个5x5的卷积（padding为2），输出28x28x96

（4）pool层，使用3x3的核（padding为1），输出28x28x256，然后进行64个1x1的卷积，输出28x28x64。

将四个结果进行连接，对这四部分输出结果的第三维并联，即128+192+96+64=480，最终输出输出为28x28x480

第四层（4a,4b,4c,4d,4e）、第五层（5a,5b）……，与3a、3b类似，在此就不再重复。

到这里！我们看美图应该能看出来一点，GoogleNet的结构就是3+3+3总共九个inception模块组成的，每个Inception有两层，加上开头的3个卷积层和输出前的FC层，总共22层！然后每3层的inception之后都会有一个输出结果，这个网络一共有三个输出结果，这是什么情况呢？

这个是辅助分类器，GoogleNet用到了辅助分类器。因为除了最后一层的输出结果，中间节点的分类效果也可能是很好的，所以GoogleNet将中间的某一层作为输出，并以一个较小的权重加入到最终分类结果中。其实就是一种变相的模型融合，同时给网络增加了反向传播的梯度信号，也起到了一定的正则化的作用。

最后，我再提出两个问题：

1. 如果使用1x1进行特征压缩，是否会影响最终结果？回答：不会，作者的解释是，如果你想要把特征厚度从128变成256，你可以直接用3x3进行特征提取。如果你先用1x1进行压缩到64，然后再用3x3把64channel的特征扩展成256，其实对后续的精度没有影响，而且减少了运算次数。

2. 为什么inception是多个尺度上进行卷积再聚合？回答：直观上，多个尺度上同时卷积可以提取到不同尺度的特征。而这也意味着最后分类判断更加准确。除此之外，这是可以利用稀疏矩阵分解成密集矩阵计算的原理来加快收敛速度。（第二个好处没有太看懂） 个人浅显的理解就是：提取多个尺度的特征，再聚合的时候，就可以找到关联性强的特征，这样就能避免浪费在关联性较弱的特征上的计算力吧。