GoogLeNet是2014年Christian Szegedy提出的一種全新的深度學習結構，在這之前的AlexNet、VGG等結構都是通過增大網路的深度（層數）來獲得更好的訓練效果，但層數的增加會帶來很多負作用，比如overfit、梯度消失、梯度爆炸等。inception的提出則從另一種角度來提升訓練結果：能更高效的利用計算資源，在相同的計算量下能提取到更多的特徵，從而提升訓練結果。
基本介紹
- 外文名：GoogLeNet
- 類型：神經網路
核心思想,1x1卷積,多個尺寸上進行卷積再聚合,
核心思想
inception模組的基本機構如圖一，整個inception結構就是由多個這樣的inception模組串聯起來的。inception結構的主要貢獻有兩個：一是使用1x1的卷積來進行升降維；二是在多個尺寸上同時進行卷積再聚合。
圖一1x1卷積
作用1：在相同尺寸的感受野中疊加更多的卷積，能提取到更豐富的特徵。這個觀點來自於Network in Network，圖一里三個1x1卷積都起到了該作用。
圖二圖二左側是是傳統的卷積層結構（線性卷積），在一個尺度上只有一次卷積；右圖是Network in Network結構（NIN結構），先進行一次普通的卷積（比如3x3），緊跟再進行一次1x1的卷積，對於某個像素點來說1x1卷積等效於該像素點在所有特徵上進行一次全連線的計算，所以右側圖的1x1卷積畫成了全連線層的形式，需要注意的是NIN結構中無論是第一個3x3卷積還是新增的1x1卷積，後面都緊跟著激活函式（比如relu）。將兩個卷積串聯，就能組合出更多的非線性特徵。舉個例子，假設第1個3x3卷積+激活函式近似於f1(x)=ax2+bx+c，第二個1x1卷積+激活函式近似於f2(x)=mx2+nx+q，那f1(x)和f2(f1(x))比哪個非線性更強，更能模擬非線性的特徵？答案是顯而易見的。NIN的結構和傳統的神經網路中多層的結構有些類似，後者的多層是跨越了不同尺寸的感受野（通過層與層中間加pool層），從而在更高尺度上提取出特徵；NIN結構是在同一個尺度上的多層（中間沒有pool層），從而在相同的感受野範圍能提取更強的非線性。
作用2：使用1x1卷積進行降維，降低了計算複雜度。圖二中間3x3卷積和5x5卷積前的1x1卷積都起到了這個作用。當某個卷積層輸入的特徵數較多，對這個輸入進行卷積運算將產生巨大的計算量；如果對輸入先進行降維，減少特徵數後再做卷積計算量就會顯著減少。圖三是最佳化前後兩種方案的乘法次數比較，同樣是輸入一組有192個特徵、32x32大小，輸出256組特徵的數據，第一張圖直接用3x3卷積實現，需要192x256x3x3x32x32=452984832次乘法；第二張圖先用1x1的卷積降到96個特徵，再用3x3卷積恢復出256組特徵，需要192x96x1x1x32x32+96x256x3x3x32x32=245366784次乘法，使用1x1卷積降維的方法節省了一半的計算量。有人會問，用1x1卷積降到96個特徵後特徵數不就減少了么，會影響最後訓練的效果么？答案是否定的，只要最後輸出的特徵數不變（256組），中間的降維類似於壓縮的效果，並不影響最終訓練的結果。
圖三多個尺寸上進行卷積再聚合
圖二可以看到對輸入做了4個分支，分別用不同尺寸的filter進行卷積或池化，最後再在特徵維度上拼接到一起。這種全新的結構有什麼好處呢？Szegedy從多個角度進行了解釋：
解釋1：在直觀感覺上在多個尺度上同時進行卷積，能提取到不同尺度的特徵。特徵更為豐富也意味著最後分類判斷時更加準確。
解釋2：利用稀疏矩陣分解成密集矩陣計算的原理來加快收斂速度。舉個例子圖四左側是個稀疏矩陣（很多元素都為0，不均勻分布在矩陣中），和一個2x2的矩陣進行卷積，需要對稀疏矩陣中的每一個元素進行計算；如果像右圖那樣把稀疏矩陣分解成2個子密集矩陣，再和2x2矩陣進行卷積，稀疏矩陣中0較多的區域就可以不用計算，計算量就大大降低。這個原理套用到inception上就是要在特徵維度上進行分解！傳統的卷積層的輸入數據只和一種尺度（比如3x3）的卷積核進行卷積，輸出固定維度（比如256個特徵）的數據，所有256個輸出特徵基本上是均勻分布在3x3尺度範圍上，這可以理解成輸出了一個稀疏分布的特徵集；而inception模組在多個尺度上提取特徵（比如1x1，3x3，5x5），輸出的256個特徵就不再是均勻分布，而是相關性強的特徵聚集在一起（比如1x1的的96個特徵聚集在一起，3x3的96個特徵聚集在一起，5x5的64個特徵聚集在一起），這可以理解成多個密集分布的子特徵集。這樣的特徵集中因為相關性較強的特徵聚集在了一起，不相關的非關鍵特徵就被弱化，同樣是輸出256個特徵，inception方法輸出的特徵“冗餘”的信息較少。用這樣的“純”的特徵集層層傳遞最後作為反向計算的輸入，自然收斂的速度更快。
圖四解釋3：Hebbin赫布原理。Hebbin原理是神經科學上的一個理論，解釋了在學習的過程中腦中的神經元所發生的變化，用一句話概括就是fire togethter, wire together。赫布認為“兩個神經元或者神經元系統，如果總是同時興奮，就會形成一種‘組合’，其中一個神經元的興奮會促進另一個的興奮”。比如狗看到肉會流口水，反覆刺激後，腦中識別肉的神經元會和掌管唾液分泌的神經元會相互促進，“纏繞”在一起，以後再看到肉就會更快流出口水。用在inception結構中就是要把相關性強的特徵匯聚到一起。這有點類似上面的解釋2，把1x1，3x3，5x5的特徵分開。因為訓練收斂的最終目的就是要提取出獨立的特徵，所以預先把相關性強的特徵匯聚，就能起到加速收斂的作用。
在inception模組中有一個分支使用了max pooling，作者認為pooling也能起到提取特徵的作用，所以也加入模組中。注意這個pooling的stride=1，pooling後沒有減少數據的尺寸。
