在残差逐渐当道时，google开始研究inception和残差网络的性能差异以及结合的可能性，并且给出了实验结构。
本文思想阐述不多，主要是三个结构的网络和实验性能对比。
Inception-v4, Inception-ResNet and
the Impact of Residual Connections on Learning
-
论证残差和Inception结合对性能的影响（抛实验结果）
1.残差连接能加速Inception网络训练
2.和没有残差的Inception相比，结合残差的Inception在性能上有微弱优势
3.作者提出了Inception V4，Inception-ResNet-V1，Inception-ResNet-V2
-
Inception系列正名
1.GoogLeNet=Inception V1
2.BN-Inception = Inception V2
3.分解卷积 = Inception V3
-
InceptionV4
整个结构所使用模块和V3基本一致，不同的是Stem和Reduction-B
InceptionV4中Stem
299->35的过程
-
Inception-ResNet
Inception-ResNetV1 计算量接近Inception V3
Inception-ResNetV2 计算量接近Inception V4
-
Inception-ResNetV2
V1和V2残差Inception相近，不同点在stem和部分模块的卷积大小
-
残差Inception模块的缩放
现象：当滤波器超过1000时，残差网络出现不稳定，最终GAP层激活值大部分变为0，且无法通过降低学习率和增加BN来避免。
经过实验发现，通过缩放残差Inception模块能够使其训练稳定，通常设置0.1~0.3
-
实验性能对比
实验较多，以单模型单裁剪为例
