1. 概述
本文将介绍 Inception 网络的基本概念和结构。首先我们会讲解其设计动机以及名称的由来，接着深入剖析其核心模块，最后会展示两种不同版本的 Inception 网络整体架构。
2. 设计动机
Inception 网络是一种深度神经网络，由多个重复的 Inception 模块堆叠而成。每个模块的输出作为下一个模块的输入。
其设计动机主要基于两个理念：
✅ 深度网络应足够深：为了应对复杂任务，网络需要具备较多的层数和每层较多的神经元，类似 Residual Network 的结构。
✅ 特征应具有多尺度性：人类观察世界是多尺度的，先识别不同尺度的视觉模式，再整合成高层次的理解。因此，神经网络也应具备多尺度特征提取能力。
3. 名称由来
Inception 这个名字来源于克里斯托弗·诺兰执导的电影《盗梦空间》（Inception）。电影中展现了“梦中梦”的概念，并催生了如下这张广为流传的梗图：
网络设计者引用了这张图，因为它启发了他们：就像电影中“梦中梦”一样，Inception 网络中也实现了“网络中网络”的结构。
4. 核心模块
要理解 Inception 网络，我们需要了解其核心组件。
4.1 1×1 卷积
1×1 卷积的核心作用是在通道维度上进行降维，从而减少输入数据的维度。这样可以在不显著增加参数量的前提下加深网络，避免过拟合。
在 1×1 卷积中，每个像素点在通道方向上与卷积核进行运算。输出的宽和高保持不变，但通道数发生变化。
如下图所示，输入维度为 (64, 64, 192)，输出变为 (64, 64, 1)，即通道数减少：
1×1 卷积还能帮助网络学习跨通道的特征。
4.2 3×3 和 5×5 卷积
3×3 和 5×5 卷积用于提取不同空间尺度上的特征。
3×3 卷积适合提取较小尺度的局部特征，5×5 卷积则能捕捉更大范围的特征信息，模拟人眼多尺度感知的能力。
5. 整体架构
Inception 网络整体由多个 Inception 模块组成，通常还包括 Max Pooling 层和 Concatenate 层，用于融合不同路径提取的特征。
下面我们介绍两种 Inception 架构设计：一种是 Naive 版本，另一种是优化后的 Original 版本。
5.1 Naive Inception
Naive Inception 的设计思路是：对输入分别应用不同卷积操作，再将输出在通道维度上拼接。
为保证输出尺寸一致，需要对每个卷积层使用 same padding，以确保输出的宽高一致。
如下图所示，输入为 (28, 28, 192)，输出为 (28, 28, channels)，其中通道数是各分支输出通道之和：
5.2 Optimized Inception
Naive Inception 的缺点是计算量大，尤其是在 3×3 和 5×5 卷积层中。
解决方案是引入 1×1 卷积进行降维，从而降低后续卷积操作的计算成本。
如下图所示，在 3×3 和 5×5 卷积之前加入 1×1 卷积，先对输入进行通道压缩，再进行卷积操作：
这种结构在减少计算量的同时保持了模型的表达能力，是 Inception 网络的重要优化手段。
6. 小结
本文我们介绍了 Inception 网络的基本概念和结构：
- ✅ 其设计灵感来自“梦中梦”的概念，体现“网络中网络”的思想
- ✅ 通过 1×1 卷积降维，提升计算效率
- ✅ 使用 3×3 和 5×5 卷积提取多尺度空间特征
- ✅ 提出了 Naive 和 Optimized 两种 Inception 架构版本
Inception 网络是深度学习中非常经典的设计之一，后续多个版本（如 Inception v2, v3, v4）在该基础上进行了进一步优化。掌握其核心思想对理解现代卷积神经网络架构非常有帮助。