最近拜读了Christian Szegedy的Rethinking the Inception Architecture for Computer Vision，让我开了许多脑洞。不得不承认，现在的深度学习发展太快了，稍不留神，1年前的许多方法都过时了。上面这篇文章应该是GoogLeNet的延伸吧，Christian Szegedy在发布GoogLeNet之后，又完善了网络一下（变得更复杂），然后写了上面的文章。
可能是我读论文读的太少，我第一次在Inception Architecture中见到了非对称卷积。什么意思呢？就是平常我们看到的卷积核一般都是 1x1、3x3、5x5 大小，Inception Architecture中用的卷积核是 7x1、1x7，先不提Inception Architecture的网络结构有多奇葩，光这个非对称kernel就很诡异了。
于是，为了有个形象的理解，我就写了个小小的测试程序：
import tensorflow as tf
x = tf.Variable(tf.ones([1, 4, 4, 1]))
w = tf.Variable(tf.ones([3, 1, 1, 1]))
output = tf.nn.conv2d(x, w, strides=[1, 1, 1, 1], padding='SAME')
init = tf.initialize_all_variables()
sess = tf.Session()
sess.run(init)
对比一下输入和输出（我把4维向量2维化了，方便理解）：
w = [1 1 1] # 非对称卷积核
x = [[1 1 1 1], output = [[2 3 3 2], # 输入和输出
[1 1 1 1], [2 3 3 2],
[1 1 1 1], [2 3 3 2],
[1 1 1 1]] [2 3 3 2]]
有了上面的运算结果，就一目了然了，但采用这种非对称卷积的目的何在？原因总结如下：
- 1、先进行 n×1 卷积再进行 1×n 卷积，与直接进行 n×n 卷积的结果是等价的。原文如下：
In theory, we could go even further and argue that one can replace any n × n convolution by a 1 × n convolution followed by a n × 1 convolution
- 2、非对称卷积能够降低运算量，这个很好理解吧，原来是 n×n 次乘法，改了以后，变成了 2×n 次乘法了，n越大，运算量减少的越多，原文如下：
the computational cost saving increases dramatically as n grows.
- 3、虽然可以降低运算量，但这种方法不是哪儿都适用的，非对称卷积在图片大小介于12×12到20×20大小之间的时候，效果比较好，具体原因未知。。。原文如下：
In practice, we have found that employing this factorization does not work well on early layers, but it gives very good results on medium grid-sizes (On m×m feature maps, where m ranges between 12 and 20).
