-
GoogLeNet和AlexNet/VGGNet这类依靠加深网络结构的深度的思想不完全一样。GoogLeNet在加深度的同时做了结构上的创新，引入了一个叫做Inception的结构来代替之前的卷积加激活的经典组件。
-
GoogLeNet在ImageNet分类比赛上的Top-5错误率降低到了6.7%。。
1.Inception块 GoogLeNet中的基础卷积块叫作Inception块，得名于同名电影《盗梦空间》（Inception）。
1 × 1卷积：不考虑在特征图局部信息之间的关系。
它的作用主要是：
- 实现跨通道的交互和信息整合
- 卷积核通道数的降维和升维，减少网络参数
为什么他能减少网络参数：
- 首先，卷积层参数计算公式是：任意卷积层的参数量 = 卷积核尺寸 × 输入通道数 × 输出通道数
- 然后，明确两者的计算公式：
- 直接用3x3的卷积计算公式： 卷积核尺寸 × 输入通道数 × 输出通道数
- 而用1x1加上3x3的卷积计算公式：
- 1x1：卷积核尺寸 × 输入通道数 × 输出通道数（输入的一半）
- 3x3：卷积核尺寸 × 输入通道数（输入的一半） × 输出通道数
- 这里1x1的卷积核的作用是就是将输出通道数，减少到原来的一半。带入数据计算如下图：
GoogLeNet主要由Inception模块构成，如下图所示：
