作者：我是小将
https://zhuanlan.zhihu.com/p/50754671

说起CNN分类网络，无法避开的是Google提出的Inception网络。Inception网络开始于2014年的GoogLeNet，并经历了几次版本的迭代，一直到目前最新的Inception-v4，每个版本在性能上都有一定的提升。这里简单介绍Inception网络的迭代史，重点讲述各个版本网络设计所采用的trick，需要说明的是Inception网络相对复杂一些，因为它采用了各式各样的较tricky的模块。

图1 Inception网络与其它网络的性能对比

Inception-v1

Inception-v1就是众人所熟知的GoogLeNet，它夺得了2014年ImageNet竞赛的冠军，它的名字也是为了致敬较早的LeNet网络。GooLenet网络率先采用了Inception模块，因而又称为Inception网络，后面的版本也是在Inception模块基础上进行改进。原始的Inception模块如图2所示，包含几种不同大小的卷积，即1x1卷积，3x3卷积和5x5卷积，还包括一个3x3的max pooling层。这些卷积层和pooling层得到的特征concat在一起作为最终的输出，也是下一个模块的输入。

图2 Inception模块的原始版本


但是采用较大的卷积核计算复杂度较大，只能限制特征的channel数量。所以GoogLeNet采用了1x1卷积来进行优化，即先采用1x1卷积将特征的channel数降低，然后再进行前面所说的卷积。这种“瓶颈层”设计也是后面很多网络所常采用的，如ResNet网络。改进后的Inception模块如下图所示：

图3 采用1x1卷积改进后的Inception模块


整个GoogLeNet网络是由Inception模块堆积而成，如下图所示，整个网络总共22层：

图4 GoogLeNet网络结构


从图中也可以看到，最终的卷积层之后采用Global Average Pooling层，而不是全连接层，这有助于减少参数量，最近的分类网络也基本上是类似的思路。另外值得注意的一点是网络中间层有两个附属的loss，这是一种“深度监督”策略，文中说是为了避免梯度消失问题，也是一种正则化手段。

图5 采用Global Average Pooling层替换FC层

Inception-v2

在Inception-v2网络，作者引入了BN层，所以Inception-v2其实是BN-Inception，这点Google在Inception-v4的paper中进行了说明。目前BN层已经成为了CNN网络最常用的一种策略，简单来说，就是对中间特征进行归一化。采用BN层后，一方面可以使用较大的学习速率，加快收敛速度，另外一方面，BN层具有正则化效应（虽然有一些对BN层的理论分析，但是仍有争议）。BN层的原理如下所示：

首先计算特征的mean和var，然后进行归一化，但是为了保证一定的可变度，增加了gamma和beta两个训练参数进行缩放和偏移。在训练过程，还要记录两个累积量：moving_mean和moving_var，它是每个训练step中batch的mean和var的指数加权移动平均数。在inference过程，不需要计算mean和var，而是使用训练过程中的累积量。这种训练和测试之间的差异性是BN层最被诟病的，所以后面有一系列的改进方法，如Group Norm等。

Inception-v3

Inception-v3引入的核心理念是“因子化”（Factorization），主要是将一些较大的卷积分解成几个较小的卷积。比如将一个5x5卷积分解成两个3x3卷积：

图6 采用两个3x3卷积替换5x5卷积


可以计算，采用5x5卷积，参数量是5x5=25，而两个3x3卷积的参数量是3x3+3x3=18，参数量减少了28%，但是两者效果是等价的（感受野）。据此，改进了GoogLeNet网络中的Inception模块：

图7 Inception-v3中的Inception模块A


另外的一个因子化，是将nxn的卷积分解成1xn和nx1卷积，如对3x3卷积进行分解：

图8 3x3卷积分解成1x3和3x1两个卷积


同样地，这种分解也在保证效果相同下降低参数量。据此，提出了改进的Inception模块B：

图9 Inception-v3中的Inception模块B


但是作者在实际中发现这种结构不适合较早的层，只适合中等大小的特征（对于mxm大小的特征m的值在12-20之间）。而对于高级特征（m较小的后面层），作者提出了Inceptionmo模块C，其特点是卷积组被扩展以产生更多不一样的特征：

图10 Inception-v3中的Inception模块C


Inception-v3的另外的一个改进是不再直接使用max pooling层进行下采样，因为这样导致信息损失较大。一个可行方案是先进行卷积增加特征channel数量，然后进行pooling，但是计算量较大。所以作者设计了另外一种方案，即两个并行的分支，如图11 所示，一个是pooling层，另外一个卷积层，最后将两者结果concat在一起。这样在使用较小的计算量情形下还可以避免瓶颈层，这种策略其实在ShuffleNet网络中也采用了，看来多读paper还是有用的，可以借鉴别人论文的优点。

图11 Inception-v3中的下采样模块


组合3个改进的Inception模块，最终的Inception-v3网络如下图12所示，较早的层采用模块A，中间层采用模块B，而后面层采用模块C。这中间有点复杂，如果想深入理解网络的整体结构，可以参考一下google的开源实现（slim/inception-v3）。特别要注意的一点是Inception-v3的默认输入大小是299x299，而不是常规的224x224。

图12 Inception-v3网络结构


Inception-v3也像GoogLeNet那样使用了深度监督，即中间层引入loss。另外一点是Inception-v3采用了一种Label Smoothing技术来正则化模型，提升泛化能力。其主要理念是防止最大的logit远大于其它logits，因为可能会导致过拟合。具体实现比较简单，即改变one-hot编码的label即可：

new_labels = (1 — ε) * one_hot_labels + ε / K

其中K是类别数，而ε=0.1是一个超参数。

Inception-v4

Inception-v4是对原来的版本进行了梳理，因为原始模型是采用分区方式训练，而迁移到TensorFlow框架后可以对Inception模块进行一定的规范和简化。Inception-v4整体结构如图13所示，网络的输入是299x299大小。在使用Inception模块之前，有一个stem模块，如右图所示，这个模块在Inception-v3网络也是存在的，它将输出35x35大小的特征图。

图13 Inception-v4网络结构


Inception-v4中的Inception模块分成3组，基本上与Inception-v3网络是一致的，但有细微的变化，如下图所示：

图14 Inception-v4网络的Inception模块

Inception-ResNet

Inception-ResNet网络是在Inception模块中引入ResNet的残差结构，它共有两个版本，其中Inception-ResNet-v1对标Inception-v3，两者计算复杂度类似，而Inception-ResNet-v2对标Inception-v4，两者计算复杂度类似。Inception-ResNet网络结构如图15所示，整体架构与Inception类似，右图两个分别是Inception-ResNet-v1和Inception-ResNet-v2网络的stem模块结构，也即是Inception-v3和Inception-v4网络的stem模块。

图15 Inception-ResNet网络结构与stem模块


Inception-ResNet-v1的Inception模块如图16所示，与原始Inception模块对比，增加shortcut结构，而且在add之前使用了线性的1x1卷积对齐维度。对于Inception-ResNet-v2模型，与v1比较类似，只是参数设置不同。

图16 Inception-ResNet-v1的Inception模块


不同Inception网络的在ImageNet上的对比结果如下表所示，可以看到加入残差结构，并没有很明显地提升模型效果。但是作者发现残差结构有助于加速收敛。所以作者说没有残差结构照样可以训练出很深的网络。



小结
从最初的GoogLeNet，到最新的Inception-ResNet，Inception网络在不断的迭代中越来越好，相比其它模型，Inception网络相对来说更复杂一些，主要在于模块比较复杂，而且采用的模块也是多样化。未来的话，可能需要AutoML来设计更好的模块结构。


参考

推荐阅读
聊聊目标检测中的多尺度检测（Multi-Scale），从 YOLO，ssd 到 FPN，SNIPER，SSD 填坑贴和极大极小目标识别
谷歌提出新方法：基于单目视频的无监督深度学习结构化
一文带你学会使用 YOLO 及 Opencv 完成图像目标检测 | 附源码
Google：数据并行对神经网络训练用时的影响

微信公众号: 极市平台（ID: extrememart ）
每天推送最新CV干货