简介
Inception V3，GoogLeNet的改进版本,采用InceptionModule和全局平均池化层，v3一个最重要的改进是分解（Factorization），将7x7分解成两个一维的卷积（1x7,7x1），3x3也是一样（1x3,3x1），这样的好处，既可以加速计算（多余的计算能力可以用来加深网络），又可以将1个conv拆成2个conv，使得网络深度进一步增加，增加了网络的非线性，此外非对称卷积核的使用还增加了特征的多样性。还有值得注意的地方是网络输入从224x224变为了299x299，更加精细设计了35x35/17x17/8x8的模块；ILSVRC 2012 Top-5错误率降到3.58%
基本信息
paper：“Rethinking the inception architecture for computer vision.”
author：Szegedy, Christian, et al.
pdf：http://arxiv.org/abs/1512.00567
翻译：http://www.aiqianji.com/blog/article/30
创新点：
1.分解（Factorization）:将7x7分解成两个一维的卷积（1x7,7x1），3x3也是一样（1x3,3x1）
a. 节约了大量参数，加速计算；
b. 增加了卷积层数，提高了模型的拟合能力；
c. 非对称卷积核的使用增加了特征的多样性。
2.首先采用批量正则化的网络架构之一。
网络结构
Inception V3 原始结构如图
抽象如图（来自googleblog）
Factorization 如图：
抽象如图：
源码
tensorflow 源码 https://github.com/tensorflow/models/tree/master/research/slim/nets/inception_v3.py
pytorch: https://github.com/pytorch/vision/blob/master/torchvision/models/inception.py
self.aux_logits = aux_logits
self.transform_input = transform_input
self.Conv2d_1a_3x3 = conv_block(3, 32, kernel_size=3, stride=2)
self.Conv2d_2a_3x3 = conv_block(32, 32, kernel_size=3)
self.Conv2d_2b_3x3 = conv_block(32, 64, kernel_size=3, padding=1)
self.maxpool1 = nn.MaxPool2d(kernel_size=3, stride=2)
self.Conv2d_3b_1x1 = conv_block(64, 80, kernel_size=1)
self.Conv2d_4a_3x3 = conv_block(80, 192, kernel_size=3)
self.maxpool2 = nn.MaxPool2d(kernel_size=3, stride=2)
self.Mixed_5b = inception_a(192, pool_features=32)
self.Mixed_5c = inception_a(256, pool_features=64)
self.Mixed_5d = inception_a(288, pool_features=64)
self.Mixed_6a = inception_b(288)
self.Mixed_6b = inception_c(768, channels_7x7=128)
self.Mixed_6c = inception_c(768, channels_7x7=160)
self.Mixed_6d = inception_c(768, channels_7x7=160)
self.Mixed_6e = inception_c(768, channels_7x7=192)
self.AuxLogits: Optional[nn.Module] = None
if aux_logits:
self.AuxLogits = inception_aux(768, num_classes)
self.Mixed_7a = inception_d(768)
self.Mixed_7b = inception_e(1280)
self.Mixed_7c = inception_e(2048)
self.avgpool = nn.AdaptiveAvgPool2d((1, 1))
self.dropout = nn.Dropout()
self.fc = nn.Linear(2048, num_classes)
其他：
Inception V4：
知识点 ：
BN ，Inception，Factorization
