Goole Inception Net 首次出现在ILSVRC 2014 的比赛上，并且取得了当时比赛的第一名，当年的第二名是被VGGNet取得的。并且当时的Inception Net被称为Inception V1。
inception V1是一个22层的结构（卷积层），如果加上池化层大概有27层。在Inception网络中最基本的结构被称为Inception model。我们可以通过Inception model和传统卷积网络相结合的方式增加网络的层数，减少全连接的层数以减少参数的数量。并且还可以达到较高的准确度。除此之外，Inception Net结合VGGNet的思想还产生了Inception V2， 结合把大的卷积拆分成小卷的思想产生了Inception V3，Inception v4。结合ResNet的思想产生了Inception-ResNet。下面分别介绍一些这些结构。
1. Inception Model
Inception Model的网络结构如上图。其原始图结构如a所示。每一个model均使用3x3,5x5的卷积，最后4条卷积路线进行汇总（在输出通道上进行维度的聚合）得到了最终的过滤器（传入下一层的数据）。为了可以在维度上聚合，在model内进行卷积计算的时候，数据处理通道数会发生变化之外，其宽和高都是不变的。采用3x3和5x5的卷积主要是为了增大视野（卷积核的宽度越大，其捕捉的面积越大，这样也就可以捕捉更大的面积特征）。关于该模型块还有以下几点说明。
1x1卷积。由于1X1卷积在计算时相当于对同一个位置的不同通道进行线性组合。所以1x1的卷积可以完成跨通道通讯，可以提升维度、降低维度。也可以提高网络的表达能力（不同的特征可以聚合在一起）。对图片而言，同一个位置的像素点其相关性往往是比较高的。根据Hebbian原理（相关性高的区域在链接时应该聚在一起）。而1x1的卷积刚好能够把相关性最高的点聚集在一起（同一位置的点），因此有时候我们需要采用1x1的卷积来进行处理。
根据上述原理以及1x1的卷积好处，我们对Inception Model进行了变形得到了b图，及在每层卷积前面增加了1x1的卷积核进行降维。这样既保证了网络的高表达能力，又降低了计算的维度，而且还保证了整个链接是稀疏的。从而减小了模型的参数，提高了模型的速度和准确度。
二、Inception V1
Inception V1（Google Net）是采用了NIN（Network In Net work，一张大的网络可以有许多相同的小网络叠加起来），所以在训练的时候也可以从一个一个的子网络入手。该网络有22个卷积层，每个Inception Model算两个卷积层。网络最开始的部分是一个传统的卷积计算，两层卷积计算之后开始采用Inception Model块来链接，采用了9个Inception Model。其具体的层网络结构如下：
由于在Inception Net中，其中间节点也有较好的分类效果。因此在构建的过程中我们采用了增加辅助分类节点的方式在4-a和4-d的输出节点上增加了分类操作（具体可见上图），该操作构成的误差在训练的时候也是按照0.3-0.5加权计入的。由于这两个操作是在图的中间构建的因此有更少的参数，计算的时候更快。但是其准确率比使用全部网络要低一些。这也就是facenet中的NNS1和NNS2网络的模型。
三、 Inception v2
Inception V2采用了VGGNet的思想（VGGNet主要是采用3x3的卷积核来代替大的卷积核，比如对于一个5x5的卷积核可以拆成2个3x3的卷积核，一个7x7的卷积核也可以拆成3个3x3的卷积核）。根据这种思想，把5x5的卷积换成2个3x3的卷积，在采用Batch Normalization方式对每个Batch进行归一化，去掉dropout层，减轻L2正则，去掉LRN就得到了Inception V2模型，其在架构上没有明显的变化。
四、 Inception v3和Inception v4
Inception v3引入了Factorization into small convolutions的思想，将卷积核进行拆分，其拆分方式是将每个卷积核拆分成1xn 和nx1的结构。根据该思想，Inception v3 产生了3种Inception Model 。其输入分别是（35x35,17x17,8x8），其具体结构如下：
Inception V4也采用了上述的Inception Model模块，只是在构造的过程中基础模块不同，下面先给出Inception v4的模块结构，然后再说明哪些不同。Inception V4的结构还有几个中间环节的模块，具体的可以参见 【Inception-v4, Inception-ResNet and the Impact of Residual Connections on Learning】这篇文章。整个Inception v4的网络结构如下：其中stem是开始的卷积计算，Inception - 表示Inception model， Reduction 表示其对应的维度减小的方式。
Inception V3的结构和上述类似（区别在于Inception v3采用的是3个Inception-A, 5个Inception-B, 3个Inception-C）。除此之外还存在两个明显的差别：1. 没有reduction 层，个人猜测在采用Inception模块时应该控制了最后一层卷积的步长。2. Stem不一样，在Inception V3中的Stem比较简单，只有6个常规的卷积核和一个池化层，卷积链接的方式也和一般的情况一样。
五、 Inception ResNet
Inception ResNet 采用了ResNet的思想，即把上一层的信号直接传入到下一层作为下一层的理想输出，把通过卷积计算的方式得到输出作为实际输出，根据两个输出计算出对应的差叫做残差。学习的目标是是残差最小。其原理图如下：
根据上述原理图，对相关的Inception model变形如下：
最终得出了Inception-ResNet1的网络结构，其中该结构的STEM模块和Inception V3中的开始模型结构类似（包括卷积的层数，池化的位置，区别在于池化后的卷积核的大小）
有关更具体的细节可以参考【Inception-v4, Inception-ResNet and the Impact of Residual Connections on Learning】这篇文章