摘要 Abstract
我们在ImageNet大规模视觉识别挑战赛214（ILSVRC14）上提出了一种代号为Inception的深度卷积神经网络结构，并在分类和检测上取得了新的最好结果。这个架构的主要特点是提高了网络内部计算资源的利用率。通过精心的手工设计，我们在增加了网络深度和广度的同时，保持了计算预算不变。为了优化质量，架构的设计以赫布理论和多尺度处理直觉为基础。我们在ILSVRC14提交中应用的一个特例被称为GoogLeNet，是一个22层的深度网络，其质量在分类和检测的背景下进行了评估。
GoogLeNet是2014 ILSVRC 比赛的冠军
Introduction 介绍
在当时几年中，深度学习不断兴起，目标分类能力和物体检测能力都不断的提高。
其中GoogLeNet 在 ILSVRC 2014 比赛中取得了冠军，并且它比当时两年前的冠军，也就是2012年的冠军AlexNet，是他的参数的1 /12 ，参数少了很多，但是层数是比AlexNet多的，AlexNet的层数是8层，而GoogLeNet是22层
在这篇论文中，贯彻了"We need to go deeper"的思想，deep在这之中有两种不同的含义：
提出的“Inception module”引入了一种新层次的组织方式
在某种意义上更直接的增加了网络的深度
动机和思考
如果想要提高神经网络的性能，最直接的想法就是加深神经网络的深度和宽度，增加它的层数，提高每一层的神经元的个数
但是这种做法有两个缺陷
- 更大的尺寸意味着更大的参数，这样会使增大的网络更容易过拟合，特别是训练集的样本比较少的时候。
- 更大的网络尺寸会增大计算量，耗费大量的计算资源
Inception 模型
在论文中，提出了Inception模型，在模型中，用了1x1，3x3，5x5的卷积层，这是为了方便，而不是必要的，因为用这样的模型，我们在块填充padding的时候会比较方便而不需要考虑太多的操作。
并且对于Inception来说，它与VGG的不同在于，VGG是串行的网络层，Inception是并行的网络层，用不同尺寸的卷积层可以用来提取不同尺度特征
每个卷积层提取不同尺度的特征后，会将其合并起来，如下图所示
由于很多优秀的神经网络都用了池化下采样，所以这里也加了一个池化层，注意这里会保证每一个卷积层的输出都是相同的，所以才能进行一个合并的操作
1x1卷积核 改进Inception
对于原始Inception来说，我们用了1x1卷积层来改进，得到一个新的Inception
这样的好处有
减小了计算量
训练参数减小
同时也增加了深度和非线性
通俗一点说，就是降维了，并且我们会加ReLU激活函数，增加了神经网络的非线性。
对于1x1卷积核来说，他的计算其实与全连接层是没有任何区别的，但是它不仅增加了非线性并且对我们的神经网络进行了降维，减少了我们的参数，是很有用的，在许多神经网络中，我们都可以看到1x1卷积核的影子
GoogLeNet
这里顺便提一下，GoogLeNet的名字是作者为了致敬LetNet （开山之作）而取的，而不是因为是Google，所以才是GoogLeNet
在论文中的，给出了GoogLeNet的架构
我们可以看到，一共有22层，在我们的GoogLeNet中有很多Inception层，然后会对其进行Maxpool最大池化
在论文中，作者发现将全连接层改为平均池化层，提高了大约top-1 0.6%的准确率，除此之外Dropout也是必不可少的。
在深度比较大的网络中，有效传播梯度反向通过所有层的能力是一个问题。所以GoogLeNet在训练阶段运用了两个辅助分类器，这样的话，在较低的阶段中，可以克服梯度消失的问题，这些分类器采用较小卷积网络的形式，放置在Inception (4a)和Inception (4b)模块的输出之上。在训练期间，它们的损失以折扣权重（辅助分类器损失的权重是0.3）加到网络的整个损失上。在预测的时候，这些辅助分类器就会被抛弃
包括辅助分类器在内的附加网络的具体结构如下：
一个滤波器大小5×5，步长为3的平均池化层，导致(4a)阶段的输出为4×4×512，(4d)的输出为4×4×528。
具有128个滤波器的1×1卷积，用于降维和修正线性激活。
一个全连接层，具有1024个单元和修正线性激活。
丢弃70%输出的Dropout。
使用带有softmax损失的线性层作为分类器（作为主分类器预测同样的1000类，但在预测时移除）。
训练策略
在论文中，作者用了SGD+动量法，动量设为0.9，学习策略设置为每8个epoch会减小4%
ILSVRC 2014 设置和结果
在比赛中，首先最后的GoogLeNet是集成了七个版本的GoogLeNet得到的，它们都具有相同的超参数，为什么会不同呢，其实是因为，虽然我们的数据集是相同的，但是我们的数据集是被打乱的，说的更简单一点就是shuffle=True，所以就有可能导致我们的网络可能会有一些细微的不同
在训练时，作者还用了数据增强的方法，对每一张图片都进行裁剪，取样，镜像等操作，并且会将图像归一化为四个尺度，取不同的方块，最后一张图片可以得到144裁剪后的图片，然后再对其进行测试训练。
作者还尝试softmax概率在多个裁剪图像上和所有单个分类器上进行平均，然后获得最终预测。在我们的实验中，我们分析了验证数据的替代方法，例如裁剪图像上的最大池化和分类器的平均，但是它们比简单平均池化的性能略逊。
