背景
构建CNN时，你要决定卷积核的大小，是1x3合适，还是3x3合适，还是5x5合适？要不要添加pooling层？
做这些决定（很可能是通过grid search）很麻烦，对吧？
Inception网络的优点，就是能代替你做决定，酷吧！
Inecption层的基本思想
Inecption层是Inecption网络中的基本结构。Inecption层的基本原理如下图：
Inecption层中，有多个卷积层结构（Conv）和Pooling结构（MaxPooling），它们利用了padding的原理，让经过这些结构的最终结果Shape不变。
- C_1X1: 28x28x192的输入数据，与64个1x1的卷积核做卷积后，得到28x28x64的输出
- C_3X3: 28x28x192的输入数据，与128个3x3的卷积核做卷积后，得到28x28x128的输出
- C_5X5: 28x28x192的输入数据，与32个5x5的卷积核做卷积后，得到28x28x32的输出
- MP: 28x28x192的输入数据，做MaxPooling后（带padding），得到28x28x32的输出
多个Inecption层组合在一起，就构成了Inecption网络。但这样直接计算，计算量很大，所以要利用1x1的卷积核，来降低计算量。
1x1的卷积如何降低计算量
考虑如下问题，经过这一次卷积后，计算量为多少？
- 输入数据维度：28x28x192
- 卷积核大小：5x5x32
- 输出数据维度：28x28x32
输出数据共有28x28x32个值，每个值都要进行5x5x192次乘法（卷积中的）运算，所以一共要进行28x28x32x5x5x192次乘法计算，即120,422,400。
同样的问题，如果先经过1x1的卷积计算，再通过，如下图
- 输入数据维度：28x28x192
- 卷积核1大小：1x1x16
- 卷积核2大小：5x5x32
- 输出数据维度：28x28x32
经过第一个卷积层，要进行(28x28x16x1x1x192=2,408,448)次乘法计算，经过第二个卷积层，要进行（28x28x32x5x5x16=10,035,20）次乘法计算。总共计算次数也就是（2,408,448+10,035,20=12,443,648）次，比上面直接经过一个卷基层的计算量（120,422,400）要小很多。
可见，用好1x1的卷积核，就能降低计算量。
Inecption网络
带有1x1卷积核的Inecption层，就构成了Inecption网络的基本单元，如下图：
这样的多个Inecption层组合在一起，就构成了Inecption网络，如下图：
当然，实际论文中的Inecption网络还包括输出端的全连接层，还有Inecption网络会从中间层引出多个输出，再连接SoftMax，这样能减少过拟合（让中间层也起作用）。
总结
Inception是电影盗梦空间的名字，Google发明的Inception网络取名也是来自这个电影。
Inecption网络是由多个Inecption层组成的，它的最大优点是可以一定程度上帮你省去指定CNN卷积核大小和MP调优的工作。