GoogLeNet(Inception v1)

Inception v2讲解
Inception v3~v4讲解

论文地址：Going deeper with convolutions

灵感来源

1. "Network in network"这篇文章说，网络中嵌套网络可以增强网络的表达能力（所以Inception v1就是一个网络中的网络）
2. 使得网络性能增强的一个直观想法就是让它变宽变深，但是复杂的网络在小数据集上是非常容易过拟合的，而像ImageNet这样的大型数据集又是非常稀缺的，想要训练一个非常复杂的网络的条件并不好准备，再加上计算资源的昂贵性，这条路并不完全走得通。走得通的路就是在变宽变深的同时，保持网络结构上稀疏性，稀疏性除了仿生原理外，Provable Bounds for Learning Some Deep Representations文中也说了，稀疏性是个好同志。理论上，稀疏的数据结构所需要的计算量肯定要小，但是限于当前硬件的限制（lookup和cache miss消耗的时间太长，文末有解释），稀疏性的数据结构并没有能够使计算变的有多快（虽然理论上计算量已经降低了），所以作者提出，我们要是能用几个小的dense的数据结构来模仿稀疏性就好了。
   于是乎。。。

Inception v1网络结构

文中提出了一种叫inception v1的结构，就是上面提到的Network(inception) in network(GoogLeNet)，inception的结构如下

inception

其中，(a)是原版，(b)是改良版。原版的想法很直接的，就是用多种不同大小的卷积，卷积出来的所有的feature map的大小都是一样的（当然卷积时给的padding不一样），直接拼起来，就相当于channel增多了。而改良版的好处是：

1. 假设previous layer的channel数是N，1*1卷积输出的channel数是比N小的，要知道3*3，5*5卷积的开销是很大的，减少channel数目可以减小计算量，并且实践证明这样做并没有使网络性能降低（这个是主要原因）
2. 还是上文提到的说稀疏性是个好同志的那篇文章说了，如果网络是稀疏的，那么这个稀疏网络的构建和训练是有技巧可循的。。。这个技巧GoogLeNet里也描述了，不过。。。我没看懂（总之改良版好就是了）
3. 计算量变小之后，多堆叠几层就不会使计算量变的太大，所以比较好拓展

GoogLeNet v1结构

有了子网络的结构，总网络的结构就来了：

输入在最左边，最开始首先是普通的卷积来两个（这个文中也说了，实验发现最开始还是有两个普通卷积比较好，比直接用inception结构好，作者承认这也许说明了inception设计还不够完善），红圈部分都是inception，一共9个，绿框都是正则化和concat，上面也说过了。最后是dropout层，全连接和softmax。具体看下面的表格：

其中，#3*3表示在这一层的3*3的卷积之前，1*1的卷积把输入维度（channel）降低到了多少，#5*5也是同理

额外的设计

辅助分类器，就是说inception(4b)和inception(4e)作为中间层，把他们的输出做一个卷积和两次全连接以及softmax后，也作为网络的输出，比如进行分类任务，训练时，这里的输出也是计算loss的，不过权重只有0.3，做inference时，这里的输出是不care的，也就是说他们只在训练时用到。这个设计主要是考虑到，太深的网络反向传播的效果可能不是特别好，所以把中间结果也搞一搞计算loss帮助训练。

其它

1. 按照文中说法，几块高端GPU训练这个网络应该可以在一周内训好
2. GoogLeNet在分类和检测任务上都做了测试，ImageNet分类的test error是6.67%。在ILSVRC 2014检测任务的mAP是43.9%。
3. 上文提到的lookup就是指查询，即从内存或者磁盘中找到并读出数据。磁盘和内存为了加速访问都是有cache（缓存区）的，cache中寸土寸金，但是读取速度确实非常快，常用的数据会被放在cache中加速读取速度。cache miss指的是在缓存中没有找到想要的数据，这也就意味着需要从整个内存中去找，cache miss也就意味着读取数据需要更长的时间