最原始的Inception模块

思路是对输入的feature map进行多尺度卷积核的并行计算，然后把结果进行汇总、融合。

缺点

不同尺度 filter 生成的feature map摞起来以后会越来越厚，最后导致参数量爆炸！

Note:

• 对于一个RGB图像，如 256×256×3 来说。256×256是这张图片的尺寸，我们看到的RGB图片其实是由 3 张单色的图片（单通道图片）摞在一起形成的。所以说，对于第一层卷积，我们的filter个数就代表了我们可以提取到多少张 单通道 图片，所以生成的feature map的通道数=filter的个数。

改进后的Inception模块（使用了1×1卷积）

我们要注意 1×1 卷积的位置：

• 卷积之前
• 池化之后

优点（参数量前后对比）

使用了 1×1 卷积，参数量仅为原来的一小半。

1×1卷积的作用：

1. 升维/降维
2. 跨通道信息交流
3. 减少参数量（减少一半的参数量）
4. 增加模型深度，提高模型的非线性表达能力

使用改进的Inception模块构建GoogLeNet网络

GoogLeNet中两个辅助的分类器

GoogLeNet和VGG-16参数的对比

GoogLeNet的参数量仅为VGG-16的 8.37%

GoogLeNet为2014年ImageNet图像分类冠军
VGG为2014年ImageNet图像分类亚军

Inception模型引出的其他模型

标签：卷积,VGG,GoogLeNet,改进,模块,Inception,256
来源： https://blog.csdn.net/weixin_44878336/article/details/120622498