Google提出的Inception系列是分类任务中的代表性工作，不同于VGG简单地堆叠卷积层，Inception重视网络的拓扑结构。本文关注Inception系列方法的演变，并加入了Xception作为对比。 PS1：这里有一篇blog，作者Bharath Raj简洁明了地介绍这系列的工作： https://towardsdatascience.com/a-simple-guide-to-the-versions-of-the-inception-network-7fc52b863202，强烈建议阅读。 PS2：我看了比较多的blog，都没有介绍清楚V2和V3的区别。主要是因为V2的提出涉及到两篇paper，并且V2和V3是在一篇论文中提到的。实际上，它们两者的区别并不大。 Going Deeper with Convolutions 核心思想 由于图像的突出部分可能有极大的尺寸变化，这为卷积操作选择正确的内核大小创造了困难，比如更全局的信息应该使用大的内核，而更局部的信息应该使用小内核。不妨在同一级运行多种尺寸的滤波核，让网络本质变得更"宽"而不是”更深“。 提出Inception模块（左），具有三种不同的滤波器（1x1,3x3,5x5）和max pooling。为降低计算量，GooLeNet借鉴Network-in-Network的思想，用1x1卷积降维减小参数量（右）。可在保持计算成本的同时增加网络的深度和宽度。 GoogLeNet具有9个Inception模块，22层深（27层包括pooling），并在最后一个Inception模块使用全局池化。 由于网络深度，将存在梯度消失 vanishing gradient 的问题。 为了防止网络中间部分消失，作者提出了两个辅助分类器 auxiliary classifiers （紫色），总损失是实际损失和辅助损失的加权求和。 # The total loss used by the inception net during training. total_loss = real_loss + 0.3 * aux_loss_1 + 0.3 * aux_loss_2 Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift Rethinking the Inception Architecture for Computer Vision 核心思想 使用Batch Normalization 将输出归一化为N(0,1正态分布，一方面可以采用较大的学习速率，加快收敛；另一方面BN具有正则效应。 卷积分解Factorizing Convolutions 当卷积没有彻底改变输入维度时，神经网络表现更好。过度减小尺寸会导致信息丢失，称为"representational bottleneck"，巧妙地使用分解(factorization)方法，可提高卷积的计算效率。 分解为更小的卷积 ：5×55×5卷积可分解为两个3×33×3卷积以提升计算效率，计算效率为原来的3×3+3×35×53×3+3×35×5 分解为非对称卷积 ：n×n�×�卷积可分解为1×n1×�和n×1�×1的卷积。 Inception的演化 a为InceptionV1；用两个3x3卷积替换5x5得到b；再将3x3卷积分解为3x1、1x3得c；在高层特征中，卷积组被拓展为d已产生更多不一样的特征。 下采样模块 InceptionV3不再使用max pooling下采样，这样导致信息损失较大。于是作者想用conv升维，然后再pooling，但会带来较大的计算量，所以作者设计了一个并行双分支的结构 Grid Size Reduction 来取代max pooling。 figure5、figure6、figure7分别表示上图的b、c、d ，每种block之间加入Grid Size Reduction。 实验结果 Inceptionv2达到23.4%，而Inceptionv3是指在Inceptionv2上同时使用RMSProp、Label Smoothing和分解7x7卷积、辅助分类器使用BN。 Rethinking the Inception Architecture for Computer Vision 核心思想 作者指出，辅助分类器在训练即将结束时准确度接近饱和时才会有大的贡献。因此可以作正则化regularizes。 V3在V2上作了如下改进，见V2实验结果： RMSProp Optimizer 辅助分类器采用BatchNorm Label Smoothing，防止过拟合。 Inception-ResNet and the Impact of Residual Connections on Learning 这篇文章结合ResNet和Inception提出了三种新的网络结构 Inception-ResNet-v1：混合版Inception，和InceptionV3有相同计算成本。

Inception-ResNet-v2：计算成本更高，显著提高performance。 InceptionV4：纯Inception变体，无residual连接，媲美Inception-ResNetV2 InceptionV4是对原来的版本进行了梳理，因为原始模型是采用分区方式训练，而迁移到TensorFlow框架后可以对Inception模块进行一定的规范和简化。 Stem：Inception-ResNetV1采用了top，Inceptionv4和Inception-ResNetV2采用了bottom。 Inception modules A,B,C Reduction Blocks A,B Inception-ResNet 受ResNet启发，提出一种混合版的Inception。Inception-ResNet有v1、v2版本。 Inception-ResNetV1计算量与InceptionV3相似，Inception-ResNetV2计算量与InceptionV4相似。 它们的A、B、C模块相同，区别在于超参数设置。 当卷积核数量超过1000时，更深的单元会导致网络死亡。因此为了增加稳定性，作者对残差激活值进行0.1-0.3的缩放。 网络架构 Steam：见InceptionV4 Inception-ResNet Module A,B,C Residual Blocks A,B 核心思想 Xception: Deep Learning with Depthwise Separable Convolutions 借鉴depth wise separable conv改进InceptionV3。 Inception基于假设：卷积时将通道和空间卷积分离会更好。其1x1的卷积作用于通道，3x3的卷积同时作用于通道和空间，没有做到完全分离。 Xception(Extream Inception)则让3x3卷积只作用于一个通道的特征图，从而实现了完全分离。 InceptionV3到Xception的演化 Xception与depthwise separable conv的不同之处： depthwise separable conv先对通道进行卷积再1x1卷积，而Xception先1x1卷积，再对通道卷积。 depthwise separable conv两个卷积间不带激活函数，Xception会经过ReLU。 GoogLeNet即InceptionV1提出了Inception结构，包含1x1、3x3、5x5的conv和pooling，使网络变宽，增加网络对多尺度的适应性。 InceptionV2提出了Batch Normalization，使输出归一化为N(0,1)分布，从而加快收敛。并且提出了卷积分解的思想，将大卷积分解为小卷积或非对称卷积，从而降低计算量。 InceptionV3在InceptionV2的基础上做了一些改进，继续分解7x7卷积、Label Smoothing，并在辅助分类器中也采用BN。 InceptionV4重新考虑了InceptionV3的结构，降低了不必要的计算量，纯Inception，未引入Residual连接，准确性媲美Inception-ResNetv2。 Inception-ResNet是Inception和Residual Connection的结合，性能有所提升。其有两个版本v1、v2，v1的计算量跟InceptionV3相似，v2的计算量跟InceptionV4相似。 Xception借鉴了depth wise separable conv改进InceptionV3，将空间和通道完全分离，从而提升了性能，降低了参数量。 [1]Szegedy C, Liu W, Jia Y, et al. Going deeper with convolutions[C]//Proceedings of the IEEE conference on computer vision and pattern recognition. 2015: 1-9. [2]Ioffe S, Szegedy C. Batch normalization: Accelerating deep network training by reducing internal covariate shift[J]. arXiv preprint arXiv:1502.03167, 2015. [3]Szegedy C, Vanhoucke V, Ioffe S, et al. Rethinking the inception architecture for computer vision[C]//Proceedings of the IEEE conference on computer vision and pattern recognition. 2016: 2818-2826. [4]Szegedy C, Ioffe S, Vanhoucke V, et al. Inception-v4, inception-resnet and the impact of residual connections on learning[C]//Thirty-First AAAI Conference on Artificial Intelligence. 2017. [5]Chollet F. Xception: Deep learning with depthwise separable convolutions[C]//Proceedings of the IEEE conference on computer vision and pattern recognition. 2017: 1251-1258.