参考文章：
Inception v1(ILSVRC14):
产生动机：
自2012年AlexNet做出突破以来，直到GoogLeNet出来之前，大家的主流的效果突破大致是网络更深，网络更宽。但是纯粹的增大网络有两个缺点:过拟合和计算量的增加。同时还有梯度弥散问题。方法当然就是增加网络深度和宽度的同时减少参数。
但结构稀疏性和运算能力有矛盾，需要既能保持网络结构的稀疏性，又能利用密集矩阵的高计算性能，
所以Inception应运而生。（可以将稀疏矩阵聚类为较为密集的子矩阵来提高计算性能）
增加了多种核 1x1，3x3，5x5，还有直接max pooling的，为了避免concat起来的feature map厚度将会很大，在3x3前，5x5前，max pooling后分别加上了1x1的卷积核起到了降维的作用。
Inception V2：
相对于Inception V2， Inception V2 学习了 VGG 用两个3´3的卷积代替5´5的大卷积，在降低参数的同时建立了更多的非线性变换，使得 CNN 对特征的学习能力更强。
另外提出了著名的 Batch Normalization（以下简称BN）方法.
Inception V3：
引入了 Factorization，将一个较大的二维卷积拆成两个较小的一维卷积，比如将3´3卷积拆成1´3卷积和3´1卷积，一方面节约了大量参数，加速运算并减轻了过拟合，同时增加了一层非线性扩展模型表达能力，除了在 Inception Module 中使用分支，还在分支中使用了分支（Network In Network In Network）
Inception V4：
