Inception系列回顾
写在前面
Inception 家族成员：Inception-V1（GoogLeNet）、BN-Inception、Inception-V2、Inception-V3、Inception-ResNet-V1、Inception-V4、Inception-ResNet-V2。
Inception系列网络结构可以模块化为：
- Stem：前处理部分
- A B C：网络主体“三段式”，A B C每段的输入feature size依次折半，channel增加
- ReductionA B：完成feature size折半操作（降采样）
- Avg Pooling (+ Linear)：后处理部分
Inception系列的演化过程就是上面各环节不断改进（越来越复杂）的过程，其进化方向大致为
- Stem：大卷积层→多个小卷积层堆叠→multi-branch 小卷积层堆叠
- A B C：相同multi-branch结构→每阶段不同multi-branch结构→每阶段不同Residual+multi-branch结构，big convolution→ small convolution + BN → factorized convolution
- ReductionA B：max pooling → 不同multi-branch conv(stride 2)结构
- 后处理：Avg Pooling + Linear → Avg Pooling
性能进化如下图所示，single model通过center crop 在ImageNet上 Top1 和 Top5 准确率，
具体如下。
Inception-V1 (GoogLeNet)
Inception-V1，更被熟知的名字为GoogLeNet，意向Lenet致敬。
通过增加网络深度和宽度可以提升网络的表征能力。
增加宽度可以简单地通过增加卷积核数量来实现，GoogLeNet在增加卷积核数量的同时，引入了不同尺寸的卷积核，来捕捉不同尺度的特征，形成了multi-branch结构——这是GoogLeNet网络结构的最大特点，如下图所示，然后将不同branch得到的feature map 拼接在一起，为了让feature map的尺寸相同，每个branch均采用SAME padding方式，同时stride为1（包括max pooling）。为了降低计算量，又引入了\(1\times 1\)卷积层来降维，如下图右所示，该multi-branch结构称之为一个Inception Module，在GoogLeNet中采用的是下图右的Inception Module。
直接增加深度会导致浅层出现严重的梯度消失现象，GoogLeNet引入了辅助分类器（Auxiliary Classifier），在浅层和中间层插入，来增强回传时的梯度信号，引导浅层学习到更具区分力的特征。
最终，网络结构如下，主体三段式A B C 即 3x、4x、5x，
GoogLeNet网络结构的特点可以概括为，
- 同时使用不同尺寸的卷积核，形成multi-branch结构，来捕捉不同尺度的特征
- 使用\(1 \times 1\)卷积降维，压缩信息，降低计算量
- 在classifier前使用average pooling
BN-Inception
BN-Inception网络实际是在Batch Normalization论文中顺带提出的，旨在表现BN的强大。
与GoogLeNet的不同之处在于，
- 在每个激活层前增加BN层
- 将Inception Module中的\(5 \times 5\) 卷积替换为2个\(3\times 3\) 卷积，如上图所示
- 在Inception 3a和3b之后增加Inception 3c
- 部分Inception Module中的Pooling层改为average pooling
- 取消Inception Module之间衔接的pooling层，而将下采样操作交给Inception 3c和4e，令stride为2
BN-Inception网络结构如下
Inception-V2, V3
Inception V2和V3出自同一篇论文Rethinking the Inception Architecture for Computer Vision。
GoogLeNet和BN-Inception网络结构中Inception Module可分为3组，称之为3x、4x和5x（即主体三段式A B C），GoogLeNet和BN-Inception这3组采用相同Inception Module结构，只是堆叠的数量不同。
Inception V2和V3与以往最大的不同之处在于3组分别使用了不同结构的Inception Module，分别如下图从左到右所示，
具体地，
- 3x使用的Inception Module与BN-Inception相同，即将\(5\times 5\)拆分成2个堆叠的\(3\times 3\) ；
- 4x使用的Inception Module采用了factorized convolutions ，将2维卷积拆分成2个堆叠的1维卷积，可类比传统计算机视觉中的“行列可分解卷积”，但中间夹了个激活，1维卷积的长度为7；
- 5x使用的Inception Module，1维卷积不再堆叠而是并列，将结果concat；
除此之外，
- 3x和4x之间，4x和5x之间，均不存在衔接的池化层，下采样通过Inception Module中的stride实现
- 取消了浅层的辅助分类器，只保留中层的辅助分类器
- 最开始的几个卷积层调整为多个堆叠的\(3\times 3\) 卷积
据论文所述，V2的网络结构如下
据论文所述，V3与V2的差异在于，
- RMSProp Optimizer
- Label Smoothing，训练中使用的label为one hot label与均匀分布的加权，可以看成一种正则
- Factorized \(7 \times 7\)，即将第一个\(7 \times 7\)卷积层变为堆叠的3个\(3 \times 3\)
- BN-auxiliary，辅助分类器中的全连接层也加入BN
但是，实际发布的Inception V3完全是另外一回事，参见pytorch/inception，有人绘制了V3的网络架构如下——网上少有绘制正确的，下图中亦存在小瑕疵，最后一个下采样Inception Module中\(1\times 1\)的stride为1。
需要注意的是，起下采样作用两个Inception Module并不相同。
有的时候，Inception-V2和BN-Inception是混淆的。从Inception-V3开始，Inception架构变得越来越不像人搞的……
Inception-V4，Inception-ResNet-v1，Inception-ResNet-v2
Inception-V4，Inception-ResNet-v1 和 Inception-ResNet-v2出自同一篇论文Inception-V4, Inception-ResNet and the Impact of Residual Connections on Learning，
Inception-V4相对V3的主要变化在于，前处理使用更复杂的multi-branch stem模块，主体三段式与V3相同。
Inception-ResNet-V1与Inception-ResNet-V2，将Inception与ResNet结合，使用Inception结构来拟合残差部分，两者在A B C部分结构相同，只是后者channel数更多，两者的主要差异在前处理部分，后者采用了更复杂的multi-branch stem结构（与V4相同）。相比纯Inception结构，引入ResNet结构极大加快了网络的收敛速度。
以上。
参考
- GoogLeNet, Inception-V1: Going Deeper with Convolutions
- Batch Normalization, BN-Inception: Accelerating Deep Network Training by Reducing Internal Covariate Shift
- Inception-V2, V3: Rethinking the Inception Architecture for Computer Vision
- Inception-V4, Inception-ResNet and the Impact of Residual Connections on Learning
