动手学深度学习（pytorch）学习记录30-含并行连接的网络(GoogLeNet)[学习记录]

GoogLeNet

GoogLeNet，也称为Inception v1，是由Google团队在2014年提出的深度学习模型，它在当年的ImageNet竞赛中取得了显著的成绩。GoogLeNet的设计引入了多个创新点，包括Inception模块、辅助分类器、全局平均池化层等，这些设计使得网络在保持深度的同时减少了参数数量和计算复杂度。

Inception模块是GoogLeNet的核心，它通过并行的方式使用不同尺寸的卷积核（1x1、3x3、5x5）和最大池化层来提取特征，然后将这些特征在通道维度上进行拼接。这种设计允许网络在不同的尺度上捕捉信息，并且通过1x1卷积进行降维，有效控制了参数数量和计算量。

GoogLeNet还引入了辅助分类器，这些分类器在训练过程中提供额外的梯度信号，有助于模型的收敛，并在一定程度上提高了最终的分类性能。

此外，GoogLeNet在最后一层使用了全局平均池化层代替传统的全连接层，这不仅进一步减少了参数数量，还提高了模型的泛化能力。在输出层之前，GoogLeNet还使用了Dropout技术来防止过拟合。

GoogLeNet的网络结构设计非常灵活，可以根据不同的需求调整Inception模块中的卷积层数量和通道数。这种设计使得GoogLeNet在图像分类任务中表现出色，同时也为后续的深度学习模型设计提供了重要的参考。

在实际应用中，GoogLeNet的变种如Inception v2、Inception v3等在原有的基础上进行了进一步的优化和改进，例如引入了批量归一化（Batch Normalization）和残差连接（Residual Connections），以提高训练效率和模型性能。

本文只介绍初代版本，后续会介绍改进版本。

Inception块

如图所示，一个块由四条并行路径组成，每条路径选用大小不同的卷积层，以实现从不同空间大小中提取信息。
中间两路在输入上使用1×1卷积核，减少像素级上的通道维数。这些通路使用合适的填充，使得输出尺寸一致，最后能够在输出通道维度上合并。
Inception块中，通常调整的超参数是每层输出通道数。

import torch
from torch import nn
from torch.nn import functional as F
from d2l import torch as d2l


class Inception(nn.Module):
    # c1--c4是每条路径的输出通道数
    def __init__(self, in_channels, c1, c2, c3, c4, **kwargs):
        super(Inception, self).__init__(**kwargs)
        # 线路1，单1x1卷积层
        self.p1_1 = nn.Conv2d(in_channels, c1, kernel_size=1)
        # 线路2，1x1卷积层后接3x3卷积层
        self.p2_1 = nn.Conv2d(in_channels, c2[0], kernel_size=1)
        self.p2_2 = nn.Conv2d(c2[0], c2[1], kernel_size=3, padding=1)
        # 线路3，1x1卷积层后接5x5卷积层
        self.p3_1 = nn.Conv2d(in_channels, c3[0], kernel_size=1)
        self.p3_2 = nn.Conv2d(c3[0], c3[1], kernel_size