1. 前言

Inception V4是google团队在《Inception-v4, Inception-ResNet and the Impact of Residual Connections on Learning》论文中提出的一个新的网络，如题目所示，本论文还提出了Inception-ResNet-V1、Inception-ResNet-V2两个模型，将residual和inception结构相结合，以获得residual带来的好处。

Inception-V4在Inception-V3的基础上进一步改进了Inception模块，提升了模型性能和计算效率。

Inception-V4没有使用残差模块，Inception-ResNet将Inception模块和深度残差网络ResNet结合，提出了三种包含残差连接的Inception模块，残差连接显著加快了训练收敛速度。

Inception-ResNet-V2和Inception-V4的早期stem网络结构相同。

Inception-ResNet-V1和Inception-V3准确率相近，Inception-ResNet-V2和Inception-V4准确率相近。

经过模型集成和图像多尺度裁剪处理后，模型Top-5错误率降低至3.1%。

针对卷积核个数大于1000时残差模块早期训练不稳定的问题，提出了对残差分支幅度缩小的解决方案。

总得来说，就是提出改进的模块，堆叠成V4，然后改进模块，将原来的多路卷积后的feature map堆叠改进成残差连接，形成Inception-ResNet-V1，将改进后的模块中的卷积核增加，形成新的Inception-ResNet-V2模型。相对前面的v1~v3来说，这篇论文的工程性更强一点。

2. Inception V4

如上图所示为InceptionV4的主要结构，右边是主干网络Stem，可以看到也是若干卷积网络的堆叠，然后是4个InceptionA模块，接一个下采样模块ReductionA，再接7个InceptionB模块，然后又是一个下采样模块ReductionB，然后是3个InceptionC模块，最后是全局平均池化，全连接（训练时加dropout），最后softmax输出结果。

这是三个Inception模块的结构，在V3上做了一些改进。

然后是两个下采样模块：

左边是ReductionA，右边是ReductionB，其中k,l,m,n是超参数，在三个新的网络中都不一样，如下表所示。

3. Inception-ResNet-V1/V2

将Inception模块进行改进，将原来的多通道叠加，改为残差连接，就产生了新的模块，下面是Inception-ResNet-V1的三个新模块：

简单粗暴增加新模块中卷积核的数量，就变成了Inception-ResNet-V2中的三个主要模块：

下面是Inception-ResNet-V1/V2的网络结构，区别在于模块中的卷积核数量等超参，计算量也不一样。

这里有个小细节，对于Inception-Residual的模块，在做相加的那一层不做batch normalization，这是作者出于计算方面的考量（内存，减少层数）

4. 原生VS残差

这两个网络，其中Inception-ResNet-V1与InceptionV3的计算量相当，Inception-ResNet-V2与InceptionV4的计算量相当，于是作者就针对对这两组进行了实验。

在模型训练收敛速度上，Inception-ResNet-V1 VS InceptionV3:

Inception-ResNet-V2 Vs InceptionV4：

可以看到引入残差模块之后，的确收敛更快了，但是与原生的精度都是差不多的。

其他还有几个其他的top5，top1的评估图表，大同小异，都是带残差的网络收敛速度快，但是最后网络的性能与原生的差不多，在ILSVRC 2012验证集上的测试结果如下：

5. 缩小残差

作者发现如果filter的个数超过1000个，残差网络会变得不稳定，网络会在训练的早期就‘死掉’，也就意味着在几万次迭代之后，avg_pool之前的最后几层网络参数全是0。解决方案是要么减小learning rate，要么对这些层增加额外的batch normalization.

作者又发现如果将残差部分缩放后再跟需要相加的层相加，会使网络在训练过程中更稳定。因此作者选择了一些缩放因子在0.1到0.3之间，用这个缩放因子去缩放残差网络，然后再做加法，如下图所示：

6. 参考

[1] 【精读AI论文】Inception V4、Inception-ResNet图像分类算法

[2] Inception-V4和Inception-Resnet论文阅读和代码解析

（完）