首先给出三个链接：
1. GoogLeNet网络结构详解视频
2. 使用pytorch搭建GoogLeNet网络并训练
3. 使用tensorflow搭建GoogLeNet网络并训练
谷歌网于2014年由谷歌团队提出，在当时的ImageNet竞赛中获得了分类任务(Classification Task )的第一名。 请注意，与VGG网络同年，谷歌网络的l大写字母向LeNet致敬。 原来的论文名称是《Going deeper with convolutions》，下面是这个网络的缩略图。 原始论文提供的图太大了，所以把原始图放在博文的末尾。
首先，我将介绍这个网络的亮点。
(1) Inception结构的引入；(融合不同尺度的特征信息) ) ) ) ) ) ) ) ) )。
)2)也存在于使用1x1卷积核的降维及映射处理) VGG网络中，但本论文将更详细地介绍) ) )。
)3)增加两个辅助分类器支持训练
)4)舍弃所有连接层，使用平均池化层)大大减少模型参数，除两个辅助分类器外，网络大小只有vgg的1/20 )。
接下来分析一下Inception的结构：
左图是论文中提出的inception的原始结构，右图是在inception中添加了降维功能的结构。
首先，左图，inception结构共有四个分支。 也就是说，请注意，我们输入的特征矩阵并行通过这四个分支，得到四个输出，然后用深度维(channel维)将这四个输出连接起来，得到最终输出) )以使四个分支的输出在深度方向上相连
分支1是卷积核大小为1x1的卷积层，stride=1，
枝2是卷积核大小为3x3的卷积层，stride=1、padding=1(保证输出特征矩阵的高度、宽度和输入特征矩阵相等)，
枝3是卷积核大小为5x5的卷积层，stride=1、padding=2(保证输出特征矩阵的高度、宽度和输入特征矩阵相等)，
分支4是池化内核大小为3x3的最大池化下采样，stride=1，padding=1(确保输出特征矩阵的高度、宽度和输入特征矩阵相等)。
请看右图，与左图比较，分支2、3、4中加入了卷积核大小为1x1的卷积层。 目的是降维，减少模型训练参数，减少计算量。 下面，我们来看看1x1卷积核是如何减少训练模型参数的。 同样，对于深度为512的特征矩阵，使用64个大小为5x5的卷积核进行卷积，如果不使用1x1卷积核进行降维，则总共需要819200个参数。 使用1x1卷积核进行降维总共需要50688个参数，明显减少。
每个卷积层的卷积内核的个数是如何确定的？ 以下是原论文中显示的参数列表。 我们构建的Inception模块需要使用#1x1、#3x3reduce、#3x3、#5x5reduce、#5x5、poolproj，这6个参数，分别支持使用的卷积
下图显示了在Inception模块中使用的每个分支的参数信息。 其中#1x1对应于分支1上1x1的卷积核心数，#3x3reduce对应于分支2上1x1的卷积核心数，#3x3对应于分支2上3x3的卷积核心数，#5x5reduce对应于分支3上1x1的卷积核心数
接下来，我们来看看子分类器的结构。 网络中的两个子分类器结构相同，如下图所示。
两个辅助分类器的输入分别来自inception(4a )和inception(4a )。
辅助分类器第一层是平均池化下采样层，池化核大小为5x5，stride=3
第二层是卷积层，卷积核大小为1x1，stride=1，卷积核的个数为128
第三层是全部连接层，节点数为1024
第四层是全部连接层，节点数为1000 (与分类对应类别数)
关于模型的构建和训练代码可以放在我的github里，大家可以自己下载使用：
3359 github.com/wz miaomiao/deep-learning-for-image-processing
pytorch版本位于pytorch_learning文件夹中，tensorflow版本位于tensorflow_learning文件夹中。
最后，我展示了我标记了部分信息的谷歌网络的网络结构图：