Inception v1
论文：Going deeper with convolutions
链接：https://arxiv.org/pdf/1409.4842v1.pdf
主要思想：
- 采用不同尺寸卷积，具有不同大小的感受野，提取不同尺度特征；
- concatnate操作实现特征的融合；
- 多处使用1×1卷积，以实现降维和增加非线性。
Inception v2
论文：Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift
链接：https://arxiv.org/pdf/1502.03167.pdf
主要思想：在v1的基础上增加Batch Normalization，将5×5卷积替换为两个连续的3×3卷积
Inception v3
论文：Rethinking the Inception Architecture for Computer Vision
链接：https://arxiv.org/pdf/1512.00567.pdf
主要思想：将卷积核分解成更小的卷积，如将7×7分解成1×7和7×1两个卷积核，使网络参数减少，深度加深
Inception v4
论文：Inception-v4, Inception-ResNet and the Impact of Residual Connections on Learning
链接：https://arxiv.org/pdf/1602.07261v1.pdf
主要思想：引入了ResNet，使训练加速，性能提升
Xception
论文：Xception: Deep Learning with Depthwise Separable Convolutions
链接：https://arxiv.org/pdf/1610.02357.pdf
主要思想：卷积的时候要将通道的卷积与空间的卷积进行分离，先做1×1卷积再做3×3卷积，即先将通道合并，再进行空间卷积。（depthwise正好相反，先进行空间3×3卷积，再进行通道1×1卷积）
对深度可分离卷积(Depthwise Separable Convolutions)的理解
