第五章：计算机视觉（Computer Vision）-项目实战之图像分类

第一部分：经典卷积神经网络模型 Backbone 与图像

第五节：经典多分支网络 Inception 的架构讲解

---

1. 背景与提出动机

在 LeNet、AlexNet、VGGNet 和 ResNet 的发展中，网络深度不断加深，但 卷积核尺寸选择 成为了瓶颈：

• 大卷积核（如 5×5、7×7）具有更大的感受野，但参数多、计算量大

• 小卷积核（如 1×1、3×3）计算量小，但感受野有限

那么，是否可以 同时使用不同大小的卷积核，让网络自己去学习合适的特征？

Google 团队在 2014 年提出了 GoogLeNet（Inception v1），其核心思想就是 多分支结构（Inception Module）。通过在同一层同时使用 1×1、3×3、5×5 卷积 以及 池化层，再将结果拼接起来，从而高效提取多尺度特征。

GoogLeNet 在 2014 年 ImageNet 竞赛中取得冠军，Top-5 错误率仅为 6.67%，震惊业界。

---

2. Inception Module 的核心思想

Inception 模块包含 多个并行分支：

1. 1×1 卷积：用于降维，减少计算量，并提取局部特征

2. 3×3 卷积：提取中等感受野特征

3. 5×5 卷积：提取大感受野特征

4. 3×3 最大池化：增强模型的鲁棒性

最终将各个分支的结果在 通道维度上拼接（Concat），形成输出。

---

3. Inception 模块结构示意

            Input
              │
 ┌──────────┬───────────────────┬───────────────────┬───────────────────┐
 │ 1×1 Conv │ 1×1 Conv+3×3 Conv │ 1×1 Conv+5×5 Conv │ 3×3 Pool+1×1 Conv │
 └──────────┴───────────────────┴───────────────────┴───────────────────┘
              │
           Concatenate
              │
            Output

说明：

• 在 3×3、5×5 卷积之前加上 1×1 卷积层，用来 减少输入通道数，降低计算成本（即网络的“瓶颈层”）。

• 池化后也通过 1×1 卷积调整通道数，避免通道数不平衡。

---

4. GoogLeNet（Inception v1）的整体架构

• 使用了 9 个 Inception 模块，层数达到 22 层，但参数量却远小于 VGGNet

• 在每个 Inception 模块中采用多分支并行卷积

• 在训练过程中加入 辅助分类器（Auxiliary Classifier），缓解梯度消失问题

---

5. Inception 系列的演化

• Inception v1（GoogLeNet, 2014）：提出多分支结构，22 层深度

• Inception v2/v3（2015）：引入因式分解卷积（如 5×5 → 两个 3×3），降低计算量，并使用 Batch Normalization

• Inception v4 & Inception-ResNet（2016）：结合 ResNet 的残差思想，进一步提高训练稳定性和准确率

---

6. PyTorch 实现示例

import torch
import torch.nn as nn

# Inception 模块
class Inception(nn.Module):
    def __init__(self, in_channels, out1, red3, out3, red5, out5, pool_proj):
        super(Inception, self).__init__()
        # 分支1: 1×1 卷积
        self.branch1 = nn.Conv2d(in_channels, out1, kernel_size=1)

        # 分支2: 1×1 卷积 + 3×3 卷积
        self.branch2 = nn.Sequential(
            nn.Conv2d(in_channels, red3, kernel_size=1),
            nn.ReLU(inplace=True),
            nn.Conv2d(red3, out3, kernel_size=3, padding=1)
        )

        # 分支3: 1×1 卷积 + 5×5 卷积
        self.branch3 = nn.Sequential(
            nn.Conv2d(in_channels, red5, kernel_size=1),
            nn.ReLU(inplace=True),
            nn.Conv2d(red5, out5, kernel_size=5, padding=2)
        )

        # 分支4: 3×3 池化 + 1×1 卷积
        self.branch4 = nn.Sequential(
            nn.MaxPool2d(kernel_size=3, stride=1, padding=1),
            nn.Conv2d(in_channels, pool_proj, kernel_size=1)
        )

    def forward(self, x):
        out1 = self.branch1(x)
        out2 = self.branch2(x)
        out3 = self.branch3(x)
        out4 = self.branch4(x)
        # 在通道维度拼接
        return torch.cat([out1, out2, out3, out4], dim=1)

# 测试 Inception 模块
x = torch.randn(1, 192, 28, 28)
model = Inception(192, 64, 96, 128, 16, 32, 32)
y = model(x)
print("输出维度：", y.shape)

输出结果：

输出维度： torch.Size([1, 256, 28, 28])

说明：经过 Inception 模块后，通道数增加（64+128+32+32=256），同时保持空间分辨率不变。

---

7. Inception 的优势

• 多尺度特征提取：不同大小卷积核同时学习特征

• 计算高效：利用 1×1 卷积降维，减少参数量

• 深度更深但更轻量：GoogLeNet 参数量约 500 万，而 VGGNet 高达 1.38 亿

• 应用广泛：被广泛应用于图像分类、目标检测、视频理解等任务

---

8. 小结

• Inception 提出了多分支卷积结构，使网络能同时关注不同尺度的特征

• 通过 1×1 卷积降低计算量，是高效 CNN 的典范

• Inception 系列与 ResNet 一起，成为深度学习视觉任务中的两大经典基石