在这篇文章Inception网络模块（Inception Network Module）中已经介绍了Inception网络组成模块的基本原理。原论文中基本模块如下图所示：
下面讨论如何将这些模块组合起来，构建属于自己的Inception网络，Inception网络又叫做GoogLeNet。
Inception模块会将之前层的激活或者输出作为它的输入，上图中这是一个28×28×192的输入，和之前视频中的一样。
①第三行：先通过一个1×1的层，再通过一个5×5的层，1×1的层可能有16个通道，而5×5的层输出为28×28×32，共32个通道。
②第二行：为了在这个3×3的卷积层中节省运算量，你也可以做相同的操作，这样的话3×3的层将会输出28×28×128。
③第一行：直接通过一个1×1的卷积层，这时就不必在后面再跟一个1×1的层了，这样的话过程就只有一步，假设这个层的输出是28×28×64。
④第四行：最后是池化层。
为了能在最后将这些输出都连接起来，我们会使用same类型的padding来池化，使得输出的高和宽依然是28×28。但注意，如果你进行了最大池化，即便用了same padding，3×3的过滤器，stride为1，其输出将会是28×28×192，其通道数（the number of channels）或者说深度（depth）与这里的输入（通道数）相同。所以看起来它会有很多通道，我们实际要做的就是再加上一个1×1的卷积层，去进行我们在1×1卷积层的视频里所介绍的操作，将通道的数量缩小，缩小到28×28×32。也就是使用32个维度为1×1×192的过滤器，所以输出的维度其通道数缩小为32。这样就避免了最后输出时，池化层占据所有的通道。这些操作之后，将这些方块全都连接起来（do channel concatenation）。在这过程中，把得到的各个层的通道都加起来，最后得到一个28×28×256的输出。这就是一个Inception模块（Inception module），而Inception网络所做的就是将这些模块都组合到一起。
上图是一张取自Szegety et al的论文中关于Inception网络的图片，图中有许多重复的模块，可能整张图看上去很复杂，但如果你只截取其中一个环节，就会发现这是Inception模块。所以Inception网络只是很多这些你学过的模块在不同的位置重复组成的网络，所以如果你理解了之前所学的Inception模块，你就也能理解Inception网络。
事实上，论文中还有一些分支（上图绿色笔记），在网络的最后几层，通常称为全连接层（fully connected layer），在它之后是一个softmax层来做出预测，这些分支所做的就是通过隐藏层来做出预测，所以这其实是一个softmax输出。这是另一条分支（绿色笔记），它也包含了一个隐藏层，通过一些全连接层，然后有一个softmax层来预测，输出结果的标签。这个可以看做Inception网络的一个细节，它确保了即便是隐藏单元和中间层也参与了特征计算，它们也能预测图片的分类。在Inception网络中，起到一种调整的效果，并且能防止网络发生过拟合。
最后，有个有趣的事实，Inception网络这个名字又是缘何而来呢？Inception的论文引用了这个网址（http://knowyourmeme.com/memes/we-need-to-go-deeper），连接到这幅图片上：
如果你看过Inception（盗梦空间）这个电影，你应该能看懂这个由来。作者其实是通过它来表明了建立更深的神经网络的决心，他们正是这样构建了Inception。
自从Inception模块诞生以来，经过研究者们的不断发展，衍生了很多新的版本。你会发现人们使用这些新版本的算法效果也一样很好，比如Inception V2、V3以及V4，还有一个版本引入了跳跃连接（skip connections）的方法，有时也会有特别好的效果。通过这个视频，你应该能去阅读和理解这些Inception的论文，甚至是一些新版本的论文。
说明：记录学习笔记，如果错误欢迎指正！转载请联系我。
