我不认为inception 模块的输出大小不同。

对于卷积层，人们经常使用填充来保持空间分辨率。

其他卷积层中右下角的池化层（蓝框）可能看起来很尴尬。然而，与传统的池化子采样层（红框，stride>1）不同，他们在池化层中使用了 1 的步幅。Stride-1 池化层实际上以与卷积层相同的方式工作，但卷积操作被最大操作取代。

所以池化层之后的分辨率也保持不变，我们可以在“深度”维度上将池化层和卷积层连接在一起。

如上图所示，inception 模块实际上保持了空间分辨率。

当您阅读该白皮书时，我想到了同样的问题，您参考的资源帮助我提出了实施方案。

在您引用的 Torch 代码中，它说：

--[[ DepthConcat ]]--
-- Concatenates the output of Convolutions along the depth dimension
-- (nOutputFrame). This is used to implement the DepthConcat layer
-- of the Going deeper with convolutions paper :

深度学习中的“深度”这个词有点含糊。幸运的是，这个SO Answer提供了一些明确性：

在深度神经网络中，深度是指网络的深度，但在这种情况下，深度用于视觉识别，它转换为图像的第三维。

在这种情况下，您有一个图像，此输入的大小为 32x32x3，即（宽度、高度、深度）。随着深度转换到训练图像的不同通道，神经网络应该能够基于此参数进行学习。

因此 DepthConcat 沿深度维度连接张量，深度维度是张量的最后一个维度，在本例中是 3D 张量的第三维度。

DepthConcat 需要使张量在所有维度上都相同，但深度维度除外，正如Torch 代码所说：

-- The normal Concat Module can't be used since the spatial dimensions
-- of tensors to be concatenated may have different values. To deal with
-- this, we select the largest spatial dimensions and add zero-padding
-- around the smaller dimensions.

例如

A = tensor of size (14, 14, 2)
B = tensor of size (16, 16, 3)
result = DepthConcat([A, B])
where result with have a height of 16, a width of 16 and a depth of 5 (2 + 3). 

在上图中，我们看到了一张 DepthConcat 结果张量的图片，其中白色区域是零填充，红色是 A 张量，绿色是 B 张量。

这是此示例中 DepthConcat 的伪代码：

1. 查看张量 A 和张量 B 并找到最大的空间维度，在这种情况下，这将是张量 B 的 16 个宽度和 16 个高度大小。由于张量 A 太小并且与张量 B 的空间维度不匹配，因此需要对其进行填充。
2. 通过将零添加到第一和第二维度，使张量 A 的大小为 (16, 16, 2)，用零填充张量 A 的空间维度。
3. 沿着深度（第 3 个）维度连接填充张量 A 和张量 B。

我希望这可以帮助其他认为相同问题阅读该白皮书的人。