2014年GoogLeNet的出现，再次刷新了图像分类检测的准确率。在《Going Deeper with Convolutions》论文中，提出了Inception神经网络架构，随后又出现了Inception-v2、Inception-v3等优化的架构。与AlexNet相比，Inception架构更为复杂，不过使用Numpy实现其前向检测的运算，也是可行的。本文记录了笔者实现的这一过程。相关代码可在https://github.com/LinkYe/LearnDeep/tree/master/Inception-caffe获得。
首先，需要下载Caffe官网提供的GoogLeNet训练的权重文件，URL为http://dl.caffe.berkeleyvision.org/bvlc_googlenet.caffemodel；该文件的大小有52MB，约为AlexNet的权重文件大小的四分之一，Inception网络结构的优越性可见一斑。
然后，可以通过执行what.py脚本，查看GoogLeNet的各层权重的Tensor形状，和输出Tensor的形状。执行命令：python3 what.py > what.txt，并查看what.txt，如下图：
由上图可知，GoogLeNet的权重数量很多，结构很复杂。Blob为每层输出的Tensor的形状，BlobVec则为每一层的卷积核。论文中提出了Inception模块，并在整个前向计算中重复了多次，下面就是Inception模块计算的实现：
在方法incept(...)中，输入的pImg被多次使用到，最后将4个计算过程的输出叠加成为一个Tensor，这样看来，输出的结果是复合的，这不是一纯粹的feed-forward过程。之后，就是前向的计算过程了：
最后，可以执行python3 -i run-inception.py运行实现的GoogLeNet的检测功能了，它全自动加载cat.jpg：
见上图，我们也将caffe的结果输出了，对比可知我们的计算过程是正确的。不过由于置信度忘记乘以100，所以上面的结果差了100倍。也可以手动执行detect_img('XXX.jpg')，对图片进行检测：
至此，我们又见到了一种架构较为复杂的分类器的前向计算过程，这样以后探究其他一些更为复杂的网络了。