目录
GoogLeNet系列解读
简介
在介绍Inception v4之前，首先说明一下Inception v4没有使用残差学习的思想。大部分小伙伴对Inception v4存在一个误解，认为它是Inception module与残差学习的结合，其实并不是这样，Inception v4基本延续了Inception v2/v3的结构，而出自同一篇论文的Inception-Resnet-v1和Inception-Resnet-v2才是Inception module与残差学习的结合产物。
2015年何凯明大神提出残差连接的思想，证明了残差连接对于构建深层网络的重要性，并且在识别精度和训练速度上都有了很大的提升。那么是不是可以将残差连接的思想和Inception module结合呢？Inception-Resnet-v1和Inception-Resnet-v2就是在这个背景下被提出来。Inception-ResNet和Inception v4网络结构都是基于Inception v3的改进。
论文链接：Inception-v4, inception-resnet and the impact of residual connections on learning
网络结构
下面为Inception v4中的三个基本模块：
对上图进行说明：
1. 左图是基本的Inception v2/v3模块，使用两个3x3卷积代替5x5卷积，并且使用average pooling，该模块主要处理尺寸为35x35的feature map；
2. 中图模块使用1xn和nx1卷积代替nxn卷积，同样使用average pooling，该模块主要处理尺寸为17x17的feature map；
3. 右图在原始的8x8处理模块上将3x3卷积用1x3卷积和3x1卷积。
总的来说，Inception v4中基本的Inception module还是沿袭了Inception v2/v3的结构，只是结构看起来更加简洁统一，并且使用更多的Inception module，实验效果也更好。
下图左图为Inception v4的网络结构，右图为Inception v4的Stem模块：
Inception-ResNet
本节将介绍和Inception v4同一篇文章的两个Inception-ResNet结构：Inception-Resnet-v1和Inception-Resnet-v2。
残差连接是指浅层特征通过另外一条分支加到高层特征中，达到特征复用的目的，同时也避免深层网路的梯度弥散问题。下图为一个基本的残差结构：
Inception-Resnet-v1
Inception-Resnet-v1基本模块：
对上图进行说明：
1. Inception module都是简化版，没有使用那么多的分支，因为identity部分（直接相连的线）本身包含丰富的特征信息；
2. Inception module每个分支都没有使用pooling；
3. 每个Inception module最后都使用了一个1x1的卷积（linear activation），作用是保证identity部分和Inception部分输出特征维度相同，这样才能保证两部分特征能够相加。
Inception-Resnet-v1网络结构（左），右图为Inception-Resnet-v1的Stem模块：
Inception-Resnet-v2
Inception-Resnet-v2基本模块：
Inception-Resnet-v2网络结构 ：
Inception-Resnet-v2网络结构同Inception-Resnet-v1，Stem模块同Inception v4