原文：Going deeper with convolutions
大赛往年冠军
GoogLeNet 在使用更深网络的同时，通过 1x1 卷积以及 Global Average Pooling尽可能的使模型的参数数量减少，主要考虑了未来在边缘设备中对于能耗和内存的考虑，较少的参数意味着更低的能耗和更少内存消耗。
Inception 模块的主要思想是将前层的 feature map 通过不同尺度的卷积核进行卷积（也可能是下采样），再将多路的输出汇总后作为当前层的输出发送给下一层：
完整网络结构
GoogLeNet
1x1 卷积
作用：
- 降维或升维
- 跨通道信息交融
- 减少参数量
- 增加模型深度，提高非线性表示能力
示意图如下：
1x1卷积核卷积过程
Global Average Pooling
针对每个通道求平均进行池化
Inception 模块
由多尺度的卷积处理 堆叠在一起。
原始版本和优化版本
后者通过 1x1 卷积进行升维和降维，能够有效地降低参数量。
用密集的模块去近似出局部最优的稀疏结构
Hebbian principle
赫布学习法则：'neurons that fire together， wire together'。神经元之间的突触“用进废退”
体系结构
GoogLeNet incarnation of the Inception architecture
辅助分类器
促进更快收敛，损失函数系数 0.3
