1 概述

保证算力情况下增大宽度和深度
宽度：利用Inception结构同时执行多个网络结构
深度：利用辅助分类器防止梯度消失
多尺度训练和预测
适用于多种计算机视觉任务

多尺度训练对全卷积网络有效，一般设置几种不同尺度的图片，训练时每隔一定iterations随机选取一种尺度训练。这样训练出来的模型鲁棒性强，其可以接受任意大小的图片作为输入，使用尺度小的图片测试速度会快些，但准确度低，用尺度大的图片测试速度慢，但是准确度高。

例如：训练的时候，把图片缩放到不同大小输入给同一个网络，网络就能看到不一样大小范围的内容，然后就叫做多尺度训练；好处是可以适应不同尺度的输入，泛化性好。把一个特征层用由不同感受野的卷积核组成的网络层（例如SPP）处理，这层网络的同一个像素位置就能看到不同范围的上层特征，就叫做多尺度特征融合；好处是能考虑到不同范围的空间特征上下文（例如头发下面一般会有一张脸）。把一个网络中不同深度的层做融合：浅层感受野小，分辨率大，能够处理并保存小尺度的几何特征；高层感受野大，分辨率小，能够处理并保存大尺度的语义特征。这也叫做多尺度特征融合；好处是能够将语义特征和几何特征进行融合（例如这块区域是头发，低分辨率图上的分界线一般是线状特征和非线状特征的边界）。
下面根据论文的顺序介绍该模型：

1、比赛成绩：

ILSVRC14分类任务第一（classification）、检测任务第一（detection）。GoogLeNet和VGGNet同时期，根据VGGNet的论文，单模型VGGNet更好，但七个模型集成之后GoogLeNet更好

2、背景介绍：

GoogLeNet是一个基于Hebbian法则和多尺度处理构建的网络结构，共有22层，相较于当时两年前的AlexNet参数少了12倍，但精确率提高了很多；不仅能用于分类任务，还可以用于检测任务。

在目标检测领域中，最大的提升并不是来自于使用更大更深的网络，而是将传统CV方法和更深的网络结构结合在一起，比如R-CNN：先利用低层语义信息找到bbox，再用CNN进行分类。

由于移动设备和嵌入式计算的发展，算法的效率即精确率和内存占用变得很重要，GoogLeNet考虑到了这一点，并权衡了这两者的关系。一个好的模型应当不仅有学术性，而且还能应用于真实世界中。

Inception结构的想法来源：

之前的研究中有人利用多个不同尺寸的Gabor滤波器处理多尺度问题（其实这个想法是来源于灵长类动物的视觉皮质的神经科学模型），但模型层数太少，而GoogLeNet将Inception重复很多次以此实现22层的网络结构
1 x 1卷积的想法来源于NiN

3、动机和高层次的考虑：

将网络设计得更宽、更深的问题：

容易过拟合
计算资源有限且越大的网络利用率未必高（如参数很多0）
为了解决这两个问题，需要将FC层或卷积层转换成稀疏连接的结构（这一点除了是模仿生物以外，有坚实的理论基础），但使用稀疏连接的结构会导致硬件效率变低（更均匀的网络结构、卷积核和更大的batch size才能使计算效率更高），可以将稀疏矩阵合并成相对稠密的子矩阵，以此解决稀疏矩阵相乘的问题。

2 版本

GoogLeNet Incepetion V1
GoogLeNet Inception V2
GoogLeNet凭借其优秀的表现，得到了很多研究人员的学习和使用，因此Google团队又对其进行了进一步发掘改进，产生了升级版本的GoogLeNet。这一节介绍的版本记为V2，文章为：《Rethinking the Inception Architecture for Computer Vision》。
用nx1卷积来代替大卷积核，这里设定n=7来应对17x17大小的feature map。该结构被正式用在GoogLeNet V2中。

3 含并行连结的网络（GoogLeNet）

3.1 Inception块

在GoogLeNet中，基本的卷积块被称为Inception块（Inception block）。这很可能得名于电影《盗梦空间》（Inception），因为电影中的一句话“我们需要走得更深”（“We need to go deeper”）。

import torch
from torch import nn
from torch.nn import functional as F
from d2l import torch as d2l


class Inception(nn.Module):
    # `c1`--`c4` 是每条路径的输出通道数
    def __init__(self, in_channels, c1, c2, c3, c4, **kwargs):
        super(Inception, self).__init__(**kwargs)
        # 线路1，单1 x 1卷积层
        self.p1_1 = nn.Conv2d(in_channels, c1, kernel_size=1)
        # 线路2，1 x 1卷积层后接3 x 3卷积层
        self.p2_1 = nn.Conv2d(in_channels, c2[0], kernel_size=1)
        self.p2_2 = nn.Conv2d(c2[0], c2[1], kernel_size=3, padding=1)
        # 线路3，1 x 1卷积层后接5 x 5卷积层
        self.p3_1 = nn.Conv2d(in_channels, c3[0], kernel_size=1)
        self.p3_2 = nn.Conv2d(c3[0], c3[1], kernel_size=5, padding=2)
        # 线路4，3 x 3最大汇聚层后接1 x 1卷积层
        self.p4_1 = nn.MaxPool2d(kernel_size=3, stride=1, padding=1)
        self.p4_2 = nn.Conv2d(in_channels, c4, kernel_size=1)

    def forward(self, x):
        p1 = F.relu(self.p1_1(x))
        p2 = F.relu(self.p2_2(F.relu(self.p2_1(x))))
        p3 = F.relu(self.p3_2(F.relu(self.p3_1(x))))
        p4 = F.relu(self.p4_2(self.p4_1(x)))
        # 在通道维度上连结输出
        return torch.cat((p1, p2, p3, p4), dim=1)

那么为什么GoogLeNet这个网络如此有效呢？首先我们考虑一下滤波器（filter）的组合，它们可以用各种滤波器尺寸探索图像，这意味着不同大小的滤波器可以有效地识别不同范围的图像细节。同时，我们可以为不同的滤波器分配不同数量的参数。

3.2 结构

GoogLeNet 一共使用 9 个Inception块和全局平均汇聚层的堆叠来生成其估计值。Inception块之间的最大汇聚层可降低维度。
第一个模块类似于 AlexNet 和 LeNet，Inception块的栈从VGG继承，全局平均汇聚层避免了在最后使用全连接层。

b1 = nn.Sequential(nn.Conv2d(1, 64, kernel_size=7, stride=2, padding=3),
                   nn.ReLU(),
                   nn.MaxPool2d(kernel_size=3, stride=2, padding=1))

第二个模块使用两个卷积层：第一个卷积层是 64个通道、 卷积层；第二个卷积层使用将通道数量增加三倍的 卷积层。
这对应于 Inception 块中的第二条路径。

b2 = nn.Sequential(nn.Conv2d(64, 64, kernel_size=1),
                   nn.ReLU(),
                   nn.Conv2d(64, 192, kernel_size=3, padding=1),
                   nn.MaxPool2d(kernel_size=3, stride=2, padding=1))

第三个模块串联两个完整的Inception块。
第一个 Inception 块的输出通道数为 ，四个路径之间的输出通道数量比为 。
第二个和第三个路径首先将输入通道的数量分别减少到 和 ，然后连接第二个卷积层。第二个 Inception 块的输出通道数增加到 ，四个路径之间的输出通道数量比为 。
第二条和第三条路径首先将输入通道的数量分别减少到 和 。

b3 = nn.Sequential(Inception(192, 64, (96, 128), (16, 32), 32),
                   Inception(256, 128, (128, 192), (32, 96), 64),
                   nn.MaxPool2d(kernel_size=3, stride=2, padding=1))

第四模块更加复杂，
它串联了5个Inception块，其输出通道数分别是 、 、 、 和 。
这些路径的通道数分配和第三模块中的类似，首先是含 卷积层的第二条路径输出最多通道，其次是仅含 卷积层的第一条路径，之后是含 卷积层的第三条路径和含 最大汇聚层的第四条路径。
其中第二、第三条路径都会先按比例减小通道数。
这些比例在各个 Inception 块中都略有不同。

b4 = nn.Sequential(Inception(480, 192, (96, 208), (16, 48), 64),
                   Inception(512, 160, (112, 224), (24, 64), 64),
                   Inception(512, 128, (128, 256), (24, 64), 64),
                   Inception(512, 112, (144, 288), (32, 64), 64),
                   Inception(528, 256, (160, 320), (32, 128), 128),
                   nn.MaxPool2d(kernel_size=3, stride=2, padding=1))

第五模块包含输出通道数为 和 的两个Inception块。
其中每条路径通道数的分配思路和第三、第四模块中的一致，只是在具体数值上有所不同。
需要注意的是，第五模块的后面紧跟输出层，该模块同 NiN 一样使用全局平均汇聚层，将每个通道的高和宽变成1。
最后我们将输出变成二维数组，再接上一个输出个数为标签类别数的全连接层。

b5 = nn.Sequential(Inception(832, 256, (160, 320), (32, 128), 128),
                   Inception(832, 384, (192, 384), (48, 128), 128),
                   nn.AdaptiveAvgPool2d((1,1)),
                   nn.Flatten())

net = nn.Sequential(b1, b2, b3, b4, b5, nn.Linear(1024, 10))

X = torch.rand(size=(1, 1, 96, 96))
for layer in net:
    X = layer(X)
    print(layer.__class__.__name__,'output shape:\t', X.shape)

4 训练

使用 Fashion-MNIST 数据集来训练我们的模型。在训练之前，我们将图片转换为 $96 \times 96$ 分辨率。

lr, num_epochs, batch_size = 0.1, 10, 128
train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size, resize=96)
d2l.train_ch6(net, train_iter, test_iter, num_epochs, lr, d2l.try_gpu())

5 总结

• Inception 块相当于一个有4条路径的子网络。它通过不同窗口形状的卷积层和最大汇聚层来并行抽取信息，并使用 卷积层减少每像素级别上的通道维数从而降低模型复杂度。

• GoogLeNet将多个设计精细的Inception块与其他层（卷积层、全连接层）串联起来。其中Inception块的通道数分配之比是在 ImageNet 数据集上通过大量的实验得来的。

参考

[1].https://zh-v2.d2l.ai/index.html