今年年初的时候，Szegedy写了GoogLeNet的第三篇续作，如下：
- [v4] Inception-v4, Inception-ResNet and the Impact of Residual Connections on Learning，top5 error 3.08%
Szegedy读了此论文后，蹦出了结合GoogLeNet与Residual Connections的奇思妙想，于是就有了上面那篇论文，主要贡献如下：
- 1、在Inception v3的基础上发明了Inception v4，v4比v3更加复杂，复杂到不可思议
- 2、结合ResNet与GoogLeNet，发明了Inception-ResNet-v1、Inception-ResNet-v2，其中Inception-ResNet-v2效果非常好，但相比ResNet，Inception-ResNet-v2的复杂度非常惊人，跟Inception v4差不多
- 3、加入了Residual Connections以后，网络的训练速度加快了
- 4、在网络复杂度相近的情况下，Inception-ResNet-v2略优于Inception-v4
- 5、Residual Connections貌似只能加速网络收敛，真正提高网络精度的是“更大的网络规模”
以上就是Inception v4论文的主要贡献了，没有什么创新，只是在前人的基础上修修补补、移花接木，但这篇文章工作量不小，需要花费大量时间训练作者提出的3种网络。
附上作者提出网络结构图，具体细节就不介绍了，因为没有任何原创性创新。以下是Inception v4的结构图：
Inception v4
以下是Inception-ResNet的结构图：
Inception-ResNet
总结
至此，GoogLeNet四篇相关论文就介绍完了，纵观GoogLeNet的发展历程，Szegedy为我们提供了许多可以借鉴的网络设计方法，比如Inception结构、非对称卷积、Batch Normalization、取消全连层……等等。就连Szegedy本人，也汲取了ResNet的精髓，合体两种网络设计出了Inception-ResNet。所以多读论文，多学习别人的idea，是非常重要的。
值得注意的是，Szegedy在Inception-v4论文中提出了这样一句话：
Although the residual version converges faster, the final accuracy seems to mainly depend on the model size.
或许是Szegedy玩儿了这么久GoogLeNet，终于参透了深度学习的精髓，即要想网络更牛逼，就得设计更复杂的网络，而网络能否做到更复杂的关键在于人类计算能力强弱。计算能力的提升是一个漫长的过程，任重道远。
想想生物进化几十亿年的历史，人工智能还差得远呢！
