Inception Network简介

  Inception Network又称GoogleNet，是2014年Christian Szegedy提出的一种全新的深度学习结构，并在当年的ILSVRC比赛中获得第一名的成绩。相比于传统CNN模型通过不断增加神经网络的深度来提升训练表现，Inception Network另辟蹊径，通过Inception model的设计和运用，在有限的网络深度下，大大提高了模型的训练速度（即减少了训练参数）和准确率，是一个CNN历史上里程碑式的进步。

CNN的痛点

  在Inception Network出现之前，很多CNN模型（如VGG等）在图像识别上都取得了令人惊叹的成果，但是他们都面临着共同的痛点：
  1. 由于模型深度过大，导致计算量飙升，对算力的需求近乎无限增加；
  2. 过深的神经网络容易产生过拟合；
  3. 由于图像信息的多样性，合适的卷积核大小的选择变得更加困难（不同大小的卷积核感受野不同，提取的图像信息侧重点不同）；
  为了解决以上问题，Inception Network的设计者对“过滤器使用固定大小卷积核”提出了质疑，并给出“要更宽，而不是更深（wider rather than deeper）”的思路（即过滤器使用多个大小不同的卷积核），为CNN的设计提供了一种更好的方案。

Inception Network

1x1卷积核

  1x1卷积核是CNN网络中常见的组成部分，它的主要作用有如下三点：

1. 升维/降维：

  1x1的卷积核由于大小只有1x1，所以并不需要考虑像素跟周边像素的关系，它主要用于调节通道数，对不同的通道上的像素点进行线性组合，然后进行非线性化计算，可以完成升维和降维的功能，如下图所示，输入的WHD特征图矩阵与1个1x1大小的卷积核卷积后，输出的特征图的深度（通道数）将会从D变成1，从而实现了降维的作用。而升维只需要增加卷积核的数量即可，原理相同。

2. 调节参数数量：

  前面所说的降维，其实也是减少了参数，因为特征图的通道数小了，参数也自然跟着就减少，相当于在特征图的通道数上进行卷积，压缩特征图，二次提取特征，使得新特征图的特征表达更佳。
&esmp;&esmp;如下图，28x28x192的输入特征图，与32个5x5的卷积核做卷积计算，产生24x24x32的输出，此过程涉及的计算量为28x28x32x(5x5x192)=120.422 million ops。

  而经过1x1卷积核降维后，整个过程分成了两步，第一步的计算量是28x28x16x(1x1x192)=2.4 million ops。第二部的计算量是28x28x32x(5x5x16)=10 million ops。
合计12.4 million ops。可见经过1x1卷积核降维后，神经网络的计算量大大降低，即需要训练的参数量大幅度减少（同时一定程度上减少了过拟合）。

3. 增加非线性特性：

  使用1x1卷积核的网络更深，而每一层网络后都会用Relu激活函数做计算，这样就增加了一层非线性特征。

Inception原始模型

  为了验证“wider rather than deeper”的理论，Inception network的作者设计了如下Inception原始模型。
  我们都知道不同大小的卷积核具有不同的感受野，在输入特征图上用 3 个不同的卷积核（1x1，3x3，5x5）实施卷积操作，相当于同时提取了不同的尺度的特征，冗余信息更少，训练效率更高。最后执行了最大池化操作（max pooling），被连接（concatenated）后，送往下一层 inception 模块。

Inception Module

  然而在Inception原始模型中，由于3x3和5x5的卷积核涉及的参数量过大，计算代价过于昂贵，作者便充分利用了1x1卷积核的特性，在过大的卷积核之前增加1x1卷积核，大幅减少了参数数量，提高了训练效率，这就是Inception Module，如下图。

Inception Network

  利用上述Inception module，一个22层的神经网络被构建完成，如下图，这就是Inception Network V1。

  Inception Network线性堆叠了 9 个Inception Module，它有 22 层深（如果包括池化层，则为 27 层），在最后它使用了全局平均池化操作。
  注意这里除了Inception Module外，还多了几个分支。所以这些分支有什么用呢？在网络的最后几层，通常是全连接层然后softmax来做出预测。图中分支就是通过隐藏层来做出预测，所以其实是一个softmax输出，它确保了即便是隐藏单元和中间层也参与了特征计算和图片分类，起到一种调整的效果并且防止网络发生过拟合。