1、结构思想
参考微博：https://blog.csdn.net/loveliuzz/article/details/79135583
在3x3和5x5的过滤器前面，max pooling后分别加上了1x1的卷积核，最后将它们全部以通道/厚度为轴拼接起来，
最终输出大小为28*28*256，卷积的参数数量比原来减少了4倍
2、inception V1
作者：loveliuzz
来源：CSDN
原文：https://blog.csdn.net/loveliuzz/article/details/79135583
3、Inception V2结构
大尺寸的卷积核可以带来更大的感受野，也意味着更多的参数，比如5x5卷积核参数是3x3卷积核的25/9=2.78倍。
为此，作者提出可以用2个连续的3x3卷积层(stride=1)组成的小网络来代替单个的5x5卷积层，这便是Inception V2结构，
保持感受野范围的同时又减少了参数量，如下图：
4、inception V3
大卷积核完全可以由一系列的3x3卷积核来替代，那能不能分解的更小一点呢。
文章考虑了 nx1 卷积核，如下图所示的取代3x3卷积：
于是，任意nxn的卷积都可以通过1xn卷积后接nx1卷积来替代。实际上，作者发现在网络的前期使用这种分解效果
并不好，还有在中度大小的feature map上使用效果才会更好，对于mxm大小的feature map,建议m在12到20之间。
用nx1卷积来代替大卷积核，这里设定n=7来应对7x7大小的feature map。该结构被正式用在GoogLeNet V2中。