本文是对 “Going Deeper With Convolution” 的论文创新点的解读和总结，笔者在去年对该论文进行了全文翻译，原文翻译可点传送门：《Going Deeper With Convolution》全文译解，但当时仅限于翻译，并未对其中细节和创新点进行详细剖析。经典的东西需要细细品味，本文主要解读该论文的新点，也即 GoogLeNet 的网络结构。
该论文发表于 CVPR 2015，由谷歌等单位提出，自2015年发表至今，已有接近1万的引用量，实为经典。GoogLeNet 在 ILSVRC 2014 上刷新了图像分类与检测的性能记录。通过合理地设计网路层次和每层的神经参数，在保持网络资源不变的前提下，通过人为手段增加了网络的宽度和深度。
注：博文中图表均来自论文原文
1. 网络结构
1.1 Inception module
GoogLeNet 用的参数比 AlexNet 少12倍，但准确率更高，Inception module 的使用无疑是网络性能提升的最主要因素。相对于传统的 VGGNet，单层卷积核的大小只有[3,3]，在特征提取的时候功能较弱；而 Inception module 则是由[1,1]、[3,3]、[5,5]卷积核和一个[3,3]的 pooling 组成，如下图所示：
这样通过不同的卷积核就可以抽取不同尺寸的特征，大大增强了对传递数据的特征抽取。因为使用特征抽取时，传统的方式是在提取结束后使用池化层进行特征的进一步提取，必然会带来一层层的特征损失；而 Inception module 采用的是并行的模式，这样就在一定程度上对特征进行分拣，保留了更多的数据特征信息。
虽然采用这样的方式能够较传统的特征提取单元保留更多的信息，但是一个非常大的问题就是特征保留过多，在模型传递的过程中会耗费巨大的计算资源。即使使用[5,5]的卷积核进行抽样，一样会带来繁重的资源需求。因此为了解决这个问题，在原始的 Inception module 上采用了多个[1,1]大小的卷积核进行数据的降维，这样既可以减少信息损失，有减少了传递的卷积计算量。
这样修改后，可以使得 Inception module 获得较好的卷积提取能力，而不会随着深度的增加而提升很多的计算量。修改后的 Inception module 模型如下图所示：
1.2 两个辅助分类器
为了避免梯度消失，网络额外增加了2个辅助的 softmax 用于向前传导梯度。文章中说这两个辅助的分类器的 loss 应该加一个衰减系数，但看 caffe 中的 model 也没有加任何衰减。此外，实际测试的时候，这两个额外的 softmax 会被去掉。
