What's Inception? What's the advantages of it? How use it?

       在开始介绍Inception前，先推荐一帖：Inception V1,V2,V3,V4 模型总结。仔细阅读后会发现，该网络的诞生就是为了如何使模型更多样化且更合理的更深！相信读完之后，标题中前两个问题你就会有答案！

       为了更好的直观简单理解，这里还是再做一个acceptable总结。构建卷积层时，你要决定卷积核的大小究竟是 1×1，3×3 还是 5×5，或者要不要添加池化层？而 Inception 网络的作用就是代替你来决定，虽然网络架构因此变得更加复杂，但网络表现却非常好。

1.Inception基本思想

       同时添加多个滤波器，将每个滤波器输出叠加一起，作为总输出，让网络自己学习它需要什么样的参数，采用哪些过滤器组合。

注：多个滤波器输出的维度应该相同；比如MAX-POOL采取特殊的池化层，保证输出维度28x28。

       缺点：显而易见，Inceptin网络计算量非常庞大！以5x5卷积核为例：

2.使用 1×1 卷积来构建瓶颈层，从而大大降低计算成本

       添加用1x1卷积层，即"瓶颈层"；瓶颈通常是某个对象最小的部分，瓶颈层也是网络中最小的部分，我们先缩小网络表示，然后再扩大它。

       参数量12.4M, 下降为原来的十分之一。事实证明，只要合理构建瓶颈层，既可以显著缩小表示层规模，又不会降低网络性能，从而节省了计算。

3.googleLeNet

https://arxiv.org/pdf/1409.4842.pdf

一个典型的Inception module

注意：池化层后加一个1x1卷积改变信道数量；

Inception网络，就是在不同位置，重复使用Inception模块组成。

       由论文原文可知，还添加了一些分支，在网络最后基层，通常称为全连接层，之后再链接一个softmax层做预测；这些分支，应该看着Inception网络的一个细节，确保了即便是隐藏单元和中间层也参与了特征计算，它们也能预测图片分类。

       在 Inception网络中，起到一种调整的效果，并且能防止网络发生过拟合。还有这个特别的Inception网络是由Google公司的作者所研发的，它被叫做GoogleLeNet，这个名字是为了向 LeNet 网络致敬。

       最后，有个有趣的事实，Inception 网络这个名字又是缘何而来呢？Inception 的论文特地提到了这个meme，网络用语即“梗”，就是“我们需要走的更深”（We need to go deeper），作者其实是通过它来表明了建立更深的神经网络的决心，正是这样构建了 Inception。

["We Need To Go Deeper" is an expression from the film Inception which is often featured in image macros and vertical multi-panes using screen captures from the movie. The phrase can indicate that further investigation is needed but can also be used to point out examples of recursion, in a similar vein to the Xzibit Yo Dawg image macro series. Source: http://knowyourmeme.com/memes/we-need-to-go-deeper ]

4.How use it？

       自己设计模型的话可以借鉴思路！

       如果用现成的话可以直接调用现有的库：Keras或者Pytorch或者Tensorflow。因人而异啦，传送门都放上了，自己选吧，当然，前提是你有自己的判断力和解决问题的能力，仅供参考！

【参考】

https://blog.csdn.net/zhanghao3389/article/details/85038524

https://blog.csdn.net/u014524930/article/details/79330316

https://blog.csdn.net/luteresa/article/details/106022735

点滴分享，福泽你我！Add oil！