背景
google在InceptionV1之後，又發表文章《Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift》、《Rethinking the Inception Architecture for Computer Vision》，前者提出了廣泛使用的Batch Normalization方法，後者提出了InceptionV2、InceptionV3結構，通過在InceptionV1的基礎上逐步改進得到V2，最後彙總所有的改進策略得到V3。
使用RMSprop優化器，而非SGD優化器
使用Batch Normalization，將每一層的輸入儘量規範化，在輔助分類器中也使用BN
分步卷積，將大尺寸的卷積核分解爲多個小卷積核，減少計算量、提升計算速度
卷積與池化並行進行降維，減少參數量的同時 避免表徵瓶頸（representational bottlenecks）
使用Label Smoothing進行訓練，減輕預測中非最大概率值的懲罰
網絡結構
網絡結構如上圖，在Inception部分，表格與文字部分不一致，儘量以圖片部分爲準，同時借鑑tensorflow官方實現代碼
文字表述：
在35*35部分有3個傳統模塊，每個模塊有288個filters；這部分使用768個filters進行卷積與池化並行降維操作（見Section5，即圖10，但是5*5未分解），將35*35降至17*17
之後，接上5個分解後的模塊，結構如圖5（在InceptionV1模塊的基礎上講5*5分解爲兩個3*3），並使用卷積與池化並行降維操作，如圖10，降至8*8*1280
最後，使用圖6所示的兩個模塊，輸出2048個filters
本文實現的Inception部分結構：
35*35*288 ——> 33Inception a ——> 33Inception b ——> 33Inception c（並行降維）——>
17*17*768 ——> 17Inception a ——> 17Inception b ——> 17Inception c ——> 17Inception d ——> 17Inception b （並行降維）——>
8*8*1280——> 13Inception a ——> 13Inception b ——> 8*8*2048
代碼：
注：
以上代碼在alexnet的基礎上，實現了：
1）調用框架api讀取數據集
2）進行train、val的流程
3）在train時可以輸出各層shape
4）保存最優loss模型，並在結束時輸出最優loss及對應epoch
5）在訓練結束後查看loss、acc變化曲線
（實驗數據集）：UC Merced Land Use Dataset，常用的遙感場景分類數據集，21class * 100pic = 2100張圖片，統一爲256*256pix大小
http://weegee.vision.ucmerced.edu/datasets/landuse.html
（在pytorchtensorflow、keras、paddle目前不收斂）
文件結構：my_utils.py文件存放通用函數
