Inception V1参数少但效果好的目的有两点：第一，参数越多模型越庞大，需要提供模型学习的数据量就越大，而目前高质量的数据非常昂贵。第二，参数越多，耗费的计算资源也会更大。Inception V1参数少但效果好的原因处理模型层数更深、表达能力更强外，还有两点：一是去除了最后逇全连接层，用全局平均池化层（即将图片尺寸变为1x1）来取代它，去除全连接层后模型训练更快并且减轻了过拟合。二是Inception V1中精心设计的inception module提高了参数的利用效率。
| 类型 | kernel 尺寸/步长（或注释） | 输入尺寸 |
| 卷积 | 3x3 / 2 | 299x299x3 |
| 卷积 | 3x3 / 1 | 149x149x32 |
| 卷积 | 3x3 / 1 | 147x147x32 |
| 池化 | 3x3 / 2 | 147x147x64 |
| 卷积 | 3x3 / 1 | 73x73x64 |
| 卷积 | 3x3 / 2 | 71x71x80 |
| 卷积 | 3x3 / 1 | 35x35x192 |
| Inception 模块组 | 3个 Inception Module | 35x35x288 |
| Inception 模块组 | 5个 inception Module | 17x17x768 |
| Inception 模块组 | 3个 Inception Module | 8x8x1280 |
| 池化 | 8x8 | 8x8x2048 |
| 线性 | logits | 1x1x2048 |
| Softmax | 分类输出 | 1x1x1000 |
Inception v3 的inception Module 有35x35,17x17和8x8三种不同的结构，具体如下：
slim.arg_scope，是一个非常有用的工具，可以给函数的参数自动赋予某些默认值。
因为代码比较复杂就，LZ就懒的敲了，有一段截图，关于本网络的，我贴出来，分享一下：