一、亮點
AlexNet、VGG都只有一個輸出層。googlenet有三個（其中兩個是輔助分類層）
二、先看看Inception結構
1、Inception
之前的網絡：
AlexNet、VGG都是串行結構
Inception：
并行結構
上一層的輸出同時傳入四個并行結構：
得到四個特征矩陣
而后按深度進行拼接、得到輸出層
注意：每一個分支所得到的特征矩陣必須高緯度和寬維度相同
2、Inception+降維
多了三個1×1的卷積層
起到降維作用
3、1×1的降維作用：
不使用1×1卷積核降維：參數計算量
使用1×1降維計算量：
4、輔助分類器
第一層：
平均池化下采樣
池化核大小5×5、步長為3、
兩個分類器分別來自4a和4d。長寬一樣但深度不同一個512、一個528.
根據計算公式
其中輸入為14、池化核大小為5、padding為0
步長為3
得結果=14
因為池化不改變深度，所以輸出為14×14×512
第二層
使用128個卷積核大小為1×1進行降維、并使用ReLU
第三層
采用節點個數為1024的全連接層、同樣使用ReLU。
第四層
使用drop out 以70％的比例隨機失活神經元
而后全連接層預測1000個類別（ 因為ImageNet有1000個類別）
三、看googleNet詳表
#n×n reduce代表 在n×n卷積層之前
加入一個降維處理的1×1卷積
對照 下圖;
我們看到輸入先是經過7×7/2的卷積、3×3/2的池化后
進入一個1×1的卷積和3×3的卷積
因此depth寫了2
四、參數
模型參數少、準確率高
但是搭建太復雜了。
參考：https://blog.csdn.net/m0_37867091/article/details/107404735
)
)
