先上Paper列表：

大体思路：

Inception v1的网络，将1x1，3x3，5x5的conv和3x3的pooling，stack在一起，一方面增加了网络的width，另一方面增加了网络对尺度的适应性；

v2的网络在v1的基础上，进行了改进，一方面了加入了BN层，减少了Internal

Covariate Shift（内部neuron的数据分布发生变化），使每一层的输出都规范化到一个N(0,

1)的高斯，另外一方面学习VGG用2个3x3的conv替代inception模块中的5x5，既降低了参数数量，也加速计算；

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，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；

v4研究了Inception模块结合Residual

Connection能不能有改进？发现ResNet的结构可以极大地加速训练，同时性能也有提升，得到一个Inception-ResNet

v2网络，同时还设计了一个更深更优化的Inception v4模型，能达到与Inception-ResNet

v2相媲美的性能

=========================================================================================

基础单元：

一个5x5的网格等于两个3x3的降级

一个3x3的可以降维成一个由3x1的卷积的3个输出网络

35降维可以理解为1+9+25

17降维理解为每次降7个点，17=>11=>5

8降维可以理解为8=>6=>4=>2

这个是V1对应的3个Inception结构，V2添加相应的BN就可以。

=========================================================================================

推荐参考博客：

Github上面有写好的这几个版本的python实现：