GoogLeNet的设计主要特点是引入了Inception模块，这是一种多尺度卷积结构，可以在不同尺度下进行特征提取。Inception模块使用了不同大小的卷积核和池化操作，并将它们的输出在通道维度上连接在一起，以获得更丰富的特征表示。
GoogLeNet还采用了一种称为"平均池化"（average pooling）的特殊池化方式来代替全连接层，以减少参数数量和计算量。此外，GoogLeNet还使用了辅助分类器（auxiliary classifier）来帮助训练深层网络，并通过附加的损失函数促进梯度的传播。
串联结构（如VGG）存在的问题
后面的卷积层只能处理前层输出的特征图；前层因某些原因（比如感受野限制）丢失重要信息，后层无法找回。
解决方案：每一层尽量多的保留输入信号中的信息。
Inception 结构的主要思路是怎样用密集成分来近似最优的局部稀疏结构。
1、采用不同大小的卷积核意味着不同大小的感受野，最后拼接意味着不同尺度特征的融合；
2、 之所以卷积核大小采用1、3和5，主要是为了方便对齐。
设定卷积步长stride=1之后，只要分别设定pad=0、1、2，那么卷积之后便可以得到相同维度的特征。
3、3×3 max pooling 可理解为非最大化抑制。
文章说很多地方都表明pooling挺有效，所以Inception里面也嵌入了。保留且加强了原图中比较重要的信息。
4、网络越到后面，特征越抽象，而且每个特征所涉及的感受野也更大了，因此随着层数的增加，3x3和5x5卷积的比例也要增加。
5、1×1 3×3 5×5卷积，及3×3max pooling，通过设定合适的padding都会得到相同维度的特征，然后将这些特征直接拼接在一起。
但是，使用5x5的卷积核仍然会带来巨大的计算量。
为此，文章借鉴NIN2，采用1x1卷积核来进行降维。
具体改进后的Inception Module如下图：
例如：上一层的输出为100x100x128，经过具有256个输出的5x5卷积层之(stride=1，pad=2)，输出数据为100x100x256。其中，卷积层的参数为128x5x5x256。
假如上一层输出先经过具有32个输出的1x1卷积层，再经过具有256个输出的5x5卷积层，那么最终的输出数据仍为100x100x256，但卷积参数量已经减少为128x1x1x32 + 32x5x5x256，大约减少了4倍。
层数更深、参数更少、计算效率更高、非线性表达能力也更强
这一设计使得GoogLeNet只有500万参数，比AlexNet少了12倍
克服了训练过程中的梯度消失问题
问题1：平均池化向量化与直接展开向量化有什么区别？
特征响应图中位置信息不太重要，平均池化，忽略位置信息，可以很大节省计算量。
问题2: 利用1 x1卷积进行压缩会损失信息吗?
不会，假设图像或特征响应图深度通道为64，其中记录信息的只有少数，对应的向量非常稀疏，且其后的每个卷积核（深度通道也为64）都作用在这64个通道上。 经过压缩，并不会影响图像原始信息的记录。
