2014年ILSVRC大赛中分类第一名就是GoogleNet模型，网络深度22层，而且在网络中加入Inception单元，
证明通过使用Inception单元构造的深层卷积神经网络能进一步提升模型整体的性能。结构如下
下面就是googlenet中用的inception结构， 最常用的卷积核是3*3和5*5，那么这里的1*1其实用途是特征图通道的增加和减少。
假设有50*50*100的特征图，三参数分别宽、高、深度，输入到1*1卷积层，卷积核1*1*100，想输出深度为90的特征图，在90次卷积操作之后维度50*50*100的特征图就变成了50*50*90的特征图，如果需要105的深度，就进行105次卷积，所以用1*1卷积控制深度，从而影响卷积参数数量，提升模型性能。
在googlenet中使用Inception实现了卷积神经网络搭建的模块化，如果想增加或减少模型深度，只需增加或减少相应inception单元就可以。
