> For the complete documentation index, see [llms.txt](https://baozoulin.gitbook.io/neural-networks-and-deep-learning/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://baozoulin.gitbook.io/neural-networks-and-deep-learning/di-si-men-ke-juan-ji-shen-jing-wang-luo-convolutional-neural-networks/convolutional-neural-networks/deep-convolutional-models-case-studies/27-inception-wang-luo-ff08-inception-network.md).

# 2.6 Inception 网络（Inception network）

引入1x1 Convolution后的Inception module如下图所示：

![](/files/-Le0ccLlcOax2kXLpDe4)

**Inception**模块会将之前层的激活或者输出作为它的输入，为了能在最后将这些输出都连接起来，会使用**same**类型的**padding**来池化，使得输出的高和宽依然是28×28，这样才能将它与其他输出连接起来。如果进行了最大池化，即便用了**same padding**，3×3的过滤器，**stride**为1，其输出将会是28×28×192，其通道数与输入（通道数）相同。要做的是再加上一个1×1的卷积层，将通道的数量缩小到28×28×32，避免了最后输出时，池化层占据所有的通道

最后把得到的各个层的通道都加起来，得到一个28×28×256的输出。这就是一个**Inception**模块

**Inception**网络只是很多在不同的位置重复组成的网络：

![](/files/-Le0ccLnEPVQYB0apmyh)

中间隐藏层也可以作为输出层Softmax，确保了即便是隐藏单元和中间层也参与了特征计算，也能预测图片的分类，起到一种调整的效果，有利于防止发生过拟合