inception v1 v1加强版 v2 v3 v4区别

inception v1

1. 把googleNet的某一些大的卷积层换成1x1, 3x3, 5x5的小卷积，减少权重参数量
2. 以上三种卷积并列，3x3池化并列
3. 为什么不直接使用1x1的，而还需要3x3和5x5？是为了适应更多的尺度，不受输入图像被缩放的影响（相当于金字塔）

inception v1加强版

1. 网络结构没有太大变化。
2. 输入增加BN （训练收敛更快，学习更高效，可以减少dropout的使用）。具体步骤：求batch均值，求batch方差，对输入进行归一化，归一化之后再进行缩放和平移（输入x乘以伽马、加上贝塔）

inception v2

1. v1加强版基础上：将5x5的卷积改成了两个串联的3x3卷积。原因：5x5卷积看起来像5x5的全连接，用两个3x3的卷积代替，第一层是卷积，第二层相当于全连接。目的：增加网络深度，并减少参数。

inception v3

1. 把googleNet里一些7x7的卷积变成了1x7和7x1的两层串联.3*3的也一样，变成了1x3和3x1。目的：加速计算，增加了网络的非线性，减小过拟合的概率。
2. 网络的输入从224改成了299.

inception v4

1. 加上resnet的方法：从一个节点能够跳过一些节点直接连入之后的一些节点，并且残差也跟着过去一个
2. 把一个先1x1再3x3那步换成了先3x3再1x1
3. 论文说引入resnet不是用来提高深度，进而提高准确度的，只是用来提高速度的。

https://blog.csdn.net/u011021773/article/details/80791650