模型背景
Inception系列模型由Google团队提出，旨在解决CNN分类模型面临的两大挑战：
-
如何在增加网络深度的同时提升分类性能
-
如何在保证分类准确率的同时降低计算和内存开销
Inception V1通过引入 并行卷积结构 和 1x1卷积 ，巧妙地解决了这两个问题，在保证模型质量的前提下减少了参数数量，同时提高了对多尺度特征的捕捉能力。这种创新设计使Inception能够在增加网络深度的同时，显著提升了模型的性能和效率。
核心思想
Inception模型的核心思想源于对传统卷积神经网络(CNN)的革新性思考。它突破了单一卷积核大小的局限，通过 并行使用多种尺寸的卷积核 来捕获图像中不同尺度的特征。这一创新设计巧妙地解决了传统CNN在网络加深过程中面临的问题，实现了网络深度和宽度的同时扩展，同时有效控制了参数规模。
Inception模块的基本组成包括:
| 卷积类型 | 尺寸 | 功能 |
|---|
