2.1.5　Inception V2/V3

Inception V2（Szegedy et al.,2016）在BN-Inception的基础上进一步改进网络结构。Inception V2和BN-Inception 都用了10个Inception模块，两者区别在于Inception V2 同时使用了图2-8中的3种模块。

图2-8　Inception V2和Inception V3中的Inception模块

●　在网络的前几层，使用3个图2-8(a)中的模块，该模块和BN-Inception中使用的模块相同，都是将 GoogLeNet中Inception模块中的卷积用两个卷积取代。相比于使用一个卷积，使用两个卷积有更少的参数量和计算量。

●　在网络的中间几层（对应特征空间维度为），使用5个图2-8(b)中的模块，该模块进一步将卷积分解成卷积，相比于使用一个卷积，使用卷积有更少的参数量和计算量。这种非对称的卷积分解形式在网络前几层中作用不大，但是在网络中间几层（特征空间维度在到之间）中效果很好。

●　在网络的后几层（对应特征空间维度为），使用图2-8(c)中的两个模块，相比于原始Inception模块，该模块可以得到更多通道数的输出特征，以避免特征空间维度比较小时带来的信息损失。

Inception V3（Szegedy et al.,2016）在Inception V2的基础上，将网络最初的卷积也分解为卷积。此外，在全连接层后也使用了BN层，并且使用了标记平滑（Label Smoothing）训练技巧等。Inception V3计算量是GoogLeNet计算量的2.5 倍，而错误率较后者下降了3%。