Inception-v1（GoogLeNet）：深度学习中的多尺度特征革命

Inception-v1（GoogLeNet）通过多尺度并行卷积结构，在参数量仅为 AlexNet 的 1/12 下实现 6.67% Top-5 错误率。

Inception 模块

四个并行分支捕获多尺度特征：

分支	结构
1	1×1 卷积
2	1×1 卷积 → 3×3 卷积
3	1×1 卷积 → 5×5 卷积
4	3×3 池化 → 1×1 卷积

1×1 卷积作用

1. 通道降维：减少计算量
2. 非线性增强：增加模型表达能力
3. 跨通道交互：实现通道信息整合

PyTorch 实现

class InceptionV1Module(nn.Module):
    def __init__(self, in_ch, ch1x1, ch3x3red, ch3x3, ch5x5red, ch5x5, pool_proj):
        super().__init__()
        self.branch1 = nn.Conv2d(in_ch, ch1x1, 1)
        self.branch2 = nn.Sequential(
            nn.Conv2d(in_ch, ch3x3red, 1),
            nn.Conv2d(ch3x3red, ch3x3, 3, padding=1)
        )
        self.branch3 = nn.Sequential(
            nn.Conv2d(in_ch, ch5x5red, 1),
            nn.Conv2d(ch5x5red, ch5x5, 5, padding=2)
        )
        self.branch4 = nn.Sequential(
            nn.MaxPool2d(3, stride=1, padding=1),
            nn.Conv2d(in_ch, pool_proj, 1)
        )
 
    def forward(self, x):
        return torch.cat([
            self.branch1(x), self.branch2(x),
            self.branch3(x), self.branch4(x)
        ], dim=1)

网络架构

• 共 22 层，包含 9 个 Inception 模块
• 全局平均池化替代全连接层
• 辅助分类器缓解梯度消失

性能对比

模型	Top-5 错误率	参数量	FLOPs
AlexNet	15.3%	60M	720M
VGG-16	7.3%	138M	15.5B
GoogLeNet	6.67%	6.8M	1.5B

历史贡献

• 证明宽度优于深度的设计理念
• 开创模块化网络设计范式
• 1×1 卷积成为现代 CNN 标配组件