論文地址：http://arxiv.org/pdf/1409.4842v1.pdf
參考文章：
- https://cloud.tencent.com/developer/article/1008768
- https://blog.csdn.net/C_chuxin/article/details/82856502
（還不錯，這兩篇文章翻譯的還是很全面的，知識一些細節上的專業詞彙有些地方需要看原文）
1、inception_v1最大的創新點就是引入了Inception模塊，使用了inception模塊的優點：①加深、加寬了網絡結構，學習了多種卷積核；②提升了計算機資源利用率。（而且參數要比VGG減少12倍）
2、基於keras的inception-v3對貓狗數據進行的分類測試（第一次發現SGD比Adam優化器好用），代碼以及手擼的inception-v1的model文件
在第二章中主要是大致介紹了一下與本文有關的相關前人工作（LeNet-5、固定大小的Gabor濾波器以及借鑑了R-CNN中將整個檢測分爲兩個子問題的思路），而且作者也表示，本文的網絡架構中大量使用了
在第三章中作者指出提高網絡性能的最直接的方式（增加網絡的深度和寬度）會有更多的參數，而且網絡更容易過擬合（尤其是在訓練樣本有限的情況下，更加容易出現過擬合）；此外計算資源的使用也會增加。針對這一情況作者指出用稀疏性來進行緩解，但是我沒整明白稀疏性怎麼就和作者接下來提出的inception扯上關係了。【所存在的問題】
在第四章中，作者詳細的介紹了網絡架構的細節，以及兩種inception結構（但是第一種被淘汰，因爲第一種結構會導致channels不斷遞增，從而導致計算量爆炸，所以常見的inception網絡都是用的第二種inception模塊），具體如圖1的a、b所示。第二種結構在進行
第五章中，講的是googlenet的一些細節。第一，所有的卷積層（包括
b上添加了輔助分類器，具體輔助分類器有什麼用怎麼使用我沒整明白【所存在的問題】。具體的網絡結構可以看錶1和圖2（由於太大，所以放在了最下面）。
第六章中作者簡單的闡述了一下訓練方法。本文中使用的隨機梯度下降法進行優化，動量參數momentum爲0.9，固定的學習率計劃（每8個epoch，lr下降4%）。
第七章中，作者介紹了用該網絡在ILSVRC2014分類挑戰賽中的設置和結果。第一，作者訓練了個版本的GoogleNet，並且它們進行了整體預測，且它們具有相同的參數初始化和lr，區別僅在於採樣方法和隨機輸入圖像的順序上【原文中在訓練集做了哪些預處理講得很模糊，但是測試集做了哪些處理講得詳細】。第二，在測試集上做的一些預處理工作，將圖像各向同性縮放爲256、288、320、352四種，再取左中右三個方塊，對於每個方塊取其四個角及中心
第八章是講該網絡在ILSVR2014檢測大賽中取得的結果。第九章是總結。
全文完。以上內容都可以在我自己做的筆記中找到，如下圖所示。
