本文參考Torch的dpnn包中Inception層的原始碼，講解該模組引數含義以及網路結構。

核心思想

Inception模組的起點是類似下圖的結構：通道從M變換到N，把多個不同尺寸的卷積結果串接（concat）起來。

由於M,N往往很大，這種結構的模型大小和運算量都不小。

卷積運算，輸入M層，輸出N層，核尺寸k。輸入資料大小H*W。
卷積引數數量：weight + bias = M*N*k*k+N
卷積運算量：H*W*N*M^2*K^4

Inception將後續三路中插入一個1*1卷積，讓每一路構成能夠節省引數的“瓶頸結構”。

在每一路瓶頸結構中，首先從M通道壓縮到K通道，再由K通道擴充套件到N通道。K比M,N都小。

1*1卷積相當於在每個畫素施加同一個fully connected層，所以又稱為network in network。

整體結構

Inception的最外層結構是一個DepthConcat，把各路資料沿第2維（channel維度）串聯起來。
根據引數設定，可能有N+1或者N+2個通路。

為設定簡便，後文中所有提到的Transfer層和Pooling層都具有統一型別。例如都是ReLU或者都是MaxPooling；所有的BatchNorm層通過統一的開關新增或者取消。

前N個通路

前N個通路的核心是兩個卷積層（綠），分別後續BatchNorm（青）和Transfer（紅）。

第一個卷積層：減少channel數量，保持原尺寸。涉及引數reduceSize, reduceStride。
第二個卷積層：增加channel數量，同時縮小尺寸。涉及引數outputSize, kernelSize, kernelStride。padding如果設True，選擇保持原始尺寸，否則padding為0。

這種先降維度後升維度的瓶頸型結構十分經典，能夠利用深層次提高抽象能力，同時節約計算。可見於殘差網路，Hourglass人體姿態分析。

第N+1個通路

這個通路的核心是一個Pooling層（灰），以及一個可選擇的卷積層（綠），後接BatchNorm和Transfer。

Pooling層提取更大範圍特徵，縮小尺寸。涉及引數poolSize， poolStridue。
卷積層：和前N的個通路的第一個卷積層類似，減少維度，保持原尺寸。涉及引數reduceSize，reduceStridue。

第N+2個通路

這一通路本身是可選擇的，核心是一個卷積層，後接BatchNorm和Transfer。

卷積層：和前N的個通路的第一個卷積層類似，減少維度，保持原尺寸。涉及引數reduceSize，reduceStridue。

組合

如果各個通路輸出尺寸不同，將各結果中心對齊，補零之後串聯。