原文：Going deeper with convolutions
大赛往年冠军
GoogLeNet 在使用更深网络的同时，通过 1x1 卷积以及 Global Average Pooling尽可能的使模型的参数数量减少，主要考虑了未来在边缘设备中对于能耗和内存的考虑，较少的参数意味着更低的能耗和更少内存消耗。
Inception ?？榈闹饕枷胧墙安愕?feature map 通过不同尺度的卷积核进行卷积（也可能是下采样），再将多路的输出汇总后作为当前层的输出发送给下一层：
完整网络结构
GoogLeNet
1x1 卷积
作用：
- 降维或升维
- 跨通道信息交融
- 减少参数量
- 增加模型深度，提高非线性表示能力
示意图如下：
1x1卷积核卷积过程
Global Average Pooling
针对每个通道求平均进行池化
Inception ?？?/h2>
由多尺度的卷积处理 堆叠在一起。
原始版本和优化版本
后者通过 1x1 卷积进行升维和降维，能够有效地降低参数量。
用密集的?？槿ソ瞥鼍植孔钣诺南∈杞峁?/p>
Hebbian principle
赫布学习法则：'neurons that fire together， wire together'。神经元之间的突触“用进废退”
体系结构
GoogLeNet incarnation of the Inception architecture
辅助分类器
促进更快收敛，损失函数系数 0.3
