1、InceptionNet 出现解决的问题
既然网络中的结构可以千变万化，那能不在参数量一样的前提下，让网络更加有效，这就是InceptionNet 的主要思想。
2、InceptionNet 介绍
2-1、InceptionNet V1
InceptionNet V1网络的参数量只有6.9兆，模型大小大约50M。
为什么InceptionNet V1t网络的参数这么少呢？我们先来看一下它的基本单元的结构:
主要原因就是它有效的利用了1* 1 的卷积核。不同于VGGNet从上到下的类似于一个串联的结构，Inception的结构表现为一个网中网的结构。也就是说，对于我们中间的一个隐藏层层，它的每个节点也都是一个卷积网络。对于前一层传入进来的特征图，这层的每一个节点对它进行了1* 1 、3* 3、5* 5的卷积和3* 3的max pooling操作。
其中值得一提的是，在3* 3和5* 5 的卷积操作之前，该网络用1* 1 的卷积核降低了输入层的通道的数目，1* 1 的卷积核通常理解在通道上的一种非线性变换。例如：我们的输入是一个56* 56 * 128维的这么一个特征（这时候128就是我们通道的数量）。我们通过一个1* 1 的卷积核，可以将通道数降为32，然后我们将它再输入到3* 3的卷积核中。从上图可知，对于前一层的输入，会进行四组操作，那么输出通道的数目也可以均分给每一组。这样，大大减少了计算量。
2-2、InceptionNet V2/V3
在v2/v3中，他们有效的利用了这个知识。在VggNet中，提到了通过连续的两层3* 3的卷积核代替掉了5* 5的卷积核。而在Inception v3中，工程师们将进行进一步优化，用n* 1 和 1* n的卷积核代替了n* n的卷积核。这样既保证了视野域，也将参数减少很多。比如：原来的视野域为 7 * 7 ，换做 7 * 1 和 1 * 7 后，参数减少了 (49-14) / 49 = 5/7。
通过这样的操作，我们能够实现什么样的效果呢？
首先，参数量降低，计算量减少。拆分大的卷积核后，网络变深，网络非线性表达能力更强（因为在每一个卷积层后面都可以增加一个激活层）。要注意的是，在实验中伟大的先行者们发现，并不是拆分都能达到很好的效果。卷积的拆分最好是用在中间的部分，不要在图像的开始就进行这样的拆分。
2-3、InceptionNet V4
InceptionNet V4 的思想中，集成了残差网络的跳连。
