Inception模块

Inception网络或Inception层的作用是代替人工来确定卷积层中的卷积核类型，或者是否需要创建卷积层和池化层，可以代替你来做决定，虽然网络架构比较复杂，但网络表现却非常好。下图是Inception网络的核心：网络自行决定这些参数和卷积核及池化，你可以给网络添加这些参数的所有可能的值，然后把这些输出连接起来，让网络自己学习它需要什么样的参数，采用哪些卷积核组合。

！下面两个操作的计算成本相差十倍：我们利用1×1卷积核把左边这个大的输入层压缩为这个较小的中间层，其只有16个通道，


#注1×1×32的卷积核学习能力小，根本学不到相邻像素的空间信息，无法提取出轮廓特征，因此不能一步到位，这里1×1的目的是为了压缩，减少5×5的运算量，如果直接压缩到32个通道，卷积的计算量会比这样的计算量大很多，所以提取特征和缩小通道和两个不同的卷积核。

#事实证明，只要合理的构建这个瓶颈层(压缩层)，既可以显著的缩小输入层的规模，又不会降低网络性能，从而大量节省了计算。

! Inception模块会将之前层的激活或者输出作为它的输入，下图就是一个完整的Inception模块：

而Inception网络要做的就是将Inception模块都组合到一起，讲很多简单的模块在不同位置进行重复，组成网络，如下图：

卷积神经网络的最后几层通常称为全连接层，在它之后是一个softmax层用来做预测，Inception网络的一个细节就是即便是中间层，也参与了特征的计算，它们也能预测图片的分类，并且可以防止网络过拟合，