本文范围：
Inception-v1/v2系列案例剖析与实现
Inception-v1
简介：在严格的意义上来讲，Inception-v1是属于GoogLeNet系列的，是早期向LeNet模型致敬的一款模型。
Inception构造
上图便是Inception-v1的构造示意图，我们可以看到在个中有很多连续的卷积和并列的卷积核（滤波器），还分别有三个输出层（便是当时在入门CNN文章中提到过的多输出构造）
此外：
Inception相较于AlexNet而言移除了两个全连接层，用均匀池化来进行替代。
额外添加两个SoftMax避免梯度低落。（笔者看过很多干系的代码，创造很多的实例并不会利用这两层额外的作为赞助输出，详细的效果读者可以自行测试一下）
上图便是一个inception-v1的构造模块，在过去我们学习的CNN模型中都是将卷积核串联在一起，而Inception却是将其输出在通道上进行堆叠。个中11卷积核紧张起到减少打算通道的浸染。
Inception-v2
简介：Inception-v2在v1的根本上添加了BN层，将构造模块中的55卷积核改为两个33的卷积核，这样能既能减少网络中的参数，又能提高打算速率
[(55)/（332）= 1.388888889 ]
图为改进后的Inception构造模块，总体构造没有改变，这样我们就可以进行一些代码的干系实践
框架版本：TensorFLow-1.5-GPU
代码实现
如图和代码所示，模块共采纳四个通道进行并行打算，通报的结果在第三通道（深度）处进行拼接输出。
但是，单单实现了通报过程还不能够，Inception-v2最值的一提的还是BN层，它可以避免频繁调试学习率而大幅度的提升模型的演习效率。
本日就到这里，下次我会带大家深入浅出——快速实现BN层算法，使你的模型也能够演习如飞！
记得添加关注哦！
！
（未完待续）