inception v1
这是inception网络的第一版本，在论文《Going deeper with convolutions》中提出的，该网络的特点是更高的利用网络内部的计算资源。
提出的背景：图像中突出部分的大小差别很大，如下图，狗在图像中所占的区域大小不一，由于这样的位置信息的差异较大，为卷积操作选择合适的卷积核大小带来了挑战。位置信息分布更加全局的图像适用于较大的卷积核，信息分布局部的图像偏好较小的卷积核。
狗的图片
另外，较深的网络容易导致过拟合，梯度传播至整个网络是很困难的。
基于该问题，相关学者想到【为什么不在同一层级上运行具备多个尺寸的卷积核呢？】这样网络本质上会更宽，而不是更深。因此提出了inception模块，如下图所示。
inception模块
使用3个不同大小的卷积核对输入进行卷积操作。这样，需要消耗大量的计算资源，为了降低成本，在33和55的卷积核之前加入1*1的卷积核来降维，如下图所示。
inception（降维）
inception v2
inception v2和inception v3是同一篇论文《Rethinking the Inception Architecture for Computer Vision》，该方法能够增加准确度和较少计算的复杂度。
提出的背景：当卷积不会大幅度减少输入的维度时，神经网络可能会更好的执行，过多的减少维度可能会造成信息的损失，这成为表征性瓶颈。
基于该问题，3作者将55的卷积核分解成两个33的卷积运算以提升计算的速度，如下图所示。
inception v2
与此同时，将nn的卷积核分解成1n和n1的两个卷积，例如33的卷积等价于先执行一个13的卷积再执行一个31的卷积，如下图所示。
iinception v2
inception v3
提出的背景：作者注意到辅助分类器知道训练过程快结束的时候才有较多的贡献，辅助分类器的功能是正则化，尤其是他们的batch norm和dropout。
因此作者引用了RMSProp优化器、Factorized 7*7卷积和在辅助的分类器中使用了batch norm
[1] 代码参考
