程序员1小时源码入门深度学习模型，谷歌Inception有啥不同？！

卷首语：在上一篇文章中，我们探讨了关于“AlexNet”模型的结构与代码实现，相信大家已经对CNN的结构有了一定的了解。在本文中我们会讨论关于GoogleNet系列中的Inception-v1/v2模型的分析与实现，和从前的文章一样，力求精简，毫无门槛。

本文范围：

Inception-v1/v2系列案例分析与实现

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结构

上图就是Inception-v1的结构示意图，我们可以看到在其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（就是当时在入门CNN文章中提到过的多输出结构）

此外：

         Inception相较于AlexNet而言移除了两个全连接层，用平均池化来进行替代。
         额外添加两个SoftMax避免梯度下降。（笔者看过很多相关的代码，发现很多的实例并不会使用这两层额外的作为辅助输出，具体的效果读者可以自行测试一下）

        上图就是一个inception-v1的结构模块，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。其中1*1卷积核主要起到减少计算通道的作用。

Inception-v2

简介：Inception-v2在v1的基础上添加了BN层，将结构模块中的5*5卷积核改为两个3*3的卷积核，这样能既能减少网络中的参数，又能提高计算速度
[(5*5)/（3*3*2）= 1.388888889 ]

图为改进后的Inception结构模块，总体结构没有改变，这样我们就可以进行一些代码的相关实践

框架版本：TensorFLow-1.5-GPU

代码实现

如图和代码所示，模块共采取四个通道进行并行计算，传递的结果在第三通道（深度）处进行拼接输出。

但是，单单实现了传递过程还不能够，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训练效率。

今天就到这里，下次我会带大家深入浅出——快速实现BN层算法，使你的模型也能够训练如飞！

记得添加关注哦！！

（未完待续）