2014年GoogLeNet的出現，再次刷新了圖像分類檢測的準確率。在《Going Deeper with Convolutions》論文中，提出了Inception神經網絡架構，隨後又出現了Inception-v2、Inception-v3等優化的架構。與AlexNet相比，Inception架構更爲複雜，不過使用Numpy實現其前向檢測的運算，也是可行的。本文記錄了筆者實現的這一過程。相關代碼可在https://github.com/LinkYe/LearnDeep/tree/master/Inception-caffe獲得。
首先，需要下載Caffe官網提供的GoogLeNet訓練的權重文件，URL爲http://dl.caffe.berkeleyvision.org/bvlc_googlenet.caffemodel；該文件的大小有52MB，約爲AlexNet的權重文件大小的四分之一，Inception網絡結構的優越性可見一斑。
然後，可以通過執行what.py腳本，查看GoogLeNet的各層權重的Tensor形狀，和輸出Tensor的形狀。執行命令：python3 what.py > what.txt，並查看what.txt，如下圖：
由上圖可知，GoogLeNet的權重數量很多，結構很複雜。Blob爲每層輸出的Tensor的形狀，BlobVec則爲每一層的卷積核。論文中提出了Inception模塊，並在整個前向計算中重複了多次，下面就是Inception模塊計算的實現：
在方法incept(...)中，輸入的pImg被多次使用到，最後將4個計算過程的輸出疊加成爲一個Tensor，這樣看來，輸出的結果是複合的，這不是一純粹的feed-forward過程。之後，就是前向的計算過程了：
最後，可以執行python3 -i run-inception.py運行實現的GoogLeNet的檢測功能了，它全自動加載cat.jpg：
見上圖，我們也將caffe的結果輸出了，對比可知我們的計算過程是正確的。不過由於置信度忘記乘以100，所以上面的結果差了100倍。也可以手動執行detect_img('XXX.jpg')，對圖片進行檢測：
至此，我們又見到了一種架構較爲複雜的分類器的前向計算過程，這樣以後探究其他一些更爲複雜的網絡了。