GoogLeNet，核心亮點就是Inception，網絡的最大特點是用全局平均池化取代全連接層，減少了模型計算量，使得模型訓練速度更快並且減輕了過擬合。
Inception目前已經有v2，V3，V4版本，主要針對解決深層網絡以下3個問題：
- 參數太多容易過擬合，訓練數據集有限。
- 網絡越大計算複雜度越大，難以應用。
- 網絡越深，梯度往後越容易消失，難以優化模型`。
Inception
Inception的核心思想是通過增加網絡深度與寬度並減少參數的方法解決問題，並提高模型精度。Inception的結構是將1x1、3x3、5x5的卷積覈對應的卷積操作和3x3的濾波器對應的池化操作堆疊而成，一方面增加網絡寬度，另一方面增加了網絡對尺度的適應性，結構圖如圖1所示。
Inception v1
Inception v1模型在原有的Inception模型上做了些改進，在3x3、5x5的卷積核與最大池化層後分別添加了1x1的卷積核，降低維度。1x1的卷積增加特徵變化與非線性變化所需計算量更小。結構圖如圖2所示.。
Iception v1模型的4個分支在最後通過concat連接
Inception v2
Inception v2模型在V1的基礎上增加了BN層，在batch範圍內對每個特徵通過分別進行歸一化，同時還使用了梯度截斷，增加模型穩定性。並且 Inception v2中採用兩個3x3的卷積核代替了5x5的卷積，減少了計算。結構圖如圖3所示。
Inception v3
Inception v3網絡核心思想是將卷積核進行分解，NxN分解爲1xN與Nx1，降低參數數量與計算量。模型還取消了淺層輔助分類器。
Inception v4
Inception v4在Inception模型基礎上結合殘差技術的特點進行了結構優化調整，將4個卷積模型變爲6個卷積模型，但沒有使用殘差連接。而Inception-ResNet V2網絡是在Inception V3基礎上直接加入殘差連接，二者結構複雜度不相上下。殘差連接在Inception網絡中具有提高網絡準確率但不會提升網絡計算量。