深度学习笔记（三十六）1x1卷积（网络中的网络）及谷歌Inception网络_inception we need to go deep

提到1x1卷积，能想到什么？我能想到的就是把图像中每个像素点乘以某个倍数，这除了调整图像亮度什么的有用，还能有什么用处呢？带着疑惑我们来学习网络中的网络及1x1卷积。学习了1x1卷积后，我们开始接触谷歌Inception网络结果，通过1x1卷积的方式大幅度降低运算量。

一、1x1卷积（网络中的网络）

放在二维图像中，1x1卷积确实是这么个用处。

而放在三维图像中，会显得非常实用。

最终的结果是：高和宽的维度不变，仅仅32变成了过滤器数量。
一个神经元的输入是32个数字，乘以相同高度和宽度上的某个切片的32个数字，应用ReLU激活函数，输出结果。这32个单元应用了全连接神经网络，所以称网络中的网络。

• 在上图中，将192个通道压缩到32个，那么过滤器$1\times 1\times 192$，用了32个过滤器。
• 与之形成对比的是池化层，池化将宽和高压缩得更小，而通道数不改变。
• 如果用的是192个过滤器，那么卷积后结果仍然是$28\times 28\times 192$，但是也发生了改变，加入了一次ReLU激活函数，可以学习更复杂的函数。

二、Inception网络概述

Inception的基本思想：不需要去决定用什么过滤器、用不用池化层，而是由网络自行确定参数。我们可以给网络添加这些参数的所有可能，然后把这些输出连接起来，让网络自己学习需要什么参数，组合哪些过滤器。
简单来说，如果你在搭建神经网络时不知道怎么决定过滤器的大小，那么Inception模块就是你可以考虑的。应用各种过滤器，把输出连接起来。

三、Inception的计算成本问题

这个例子中，过滤器维度是$5\times 5\times 192$，乘法次数是：$5\times 5\times 192\times 28\times 28\times 32=120m$
1.2亿这个运算量对于计算机来说太大了，有什么办法可以压缩？想到了1x1卷积。
在下面的例子中，用1x1卷积搭建了一个瓶颈层，大幅度降低了运算量。

直观来看，这样搭建瓶颈层会影响神经网络的效率，但事实上如果搭建合理，可以在降低运算量的同时，保证效率。

四、Inception模块

五、Inception网络

将Inception模块组合在一起，形成了如下的Inception网络。

竖着放，放大看这个图

放大这个网络可以看到除了网络最终的输出，在中间还有Softmax输出，这是Inception的一个细节，确保即便是在隐藏单元和中间层，也参与了特征计算，同样可以预测图片分类，在网络中起到调整的作用，防止过拟合！
这是谷歌研究的成果，称GoogLeNet，背景为了致敬经典卷积神经网络LeNet。还有个有趣的背景，盗梦空间（Inception）中提到“we need to go deeper”，论文的作者在文章中引用到盗梦空间的这个梗。