在论文Batch Normalization中，Sergey 等人，2015。在论文Going deep with convolutions中提出了Inception-v1架构，它是GoogleNet的一个变体，同时他们将 Batch Normalization 引入了 Inception（BN-Inception）。

与 (Szegedy et al.,2014) 中描述的网络的主要区别在于，5x5 卷积层被两个连续的 3x3 卷积层替换，最多 128 个过滤器。

在Rethinking the Inception Architecture for Computer Vision一文中，作者提出了 Inception-v2 和 Inception-v3。

在Inception-v2中，他们引入了 Factorization（将卷积分解为更小的卷积），并对 Inception-v1 进行了一些小的改动。

请注意，我们已将传统的 7x7 卷积分解为三个 3x3 卷积

至于Inception-v3，它是 Inception-v2 的变体，增加了 BN-auxiliary。

BN 辅助是指辅助分类器的全连接层也归一化的版本，而不仅仅是卷积。我们将模型 [Inception-v2 + BN 辅助] 称为 Inception-v3。

除了daoliker提到的

inception v2 使用可分离卷积作为深度 64 的第一层

• 功能使用
• 函数定义
• 纸

从纸上引述

我们的模型在第一个卷积层上采用了深度乘数为 8 的可分离卷积。这降低了计算成本，同时增加了训练时的内存消耗。

为什么这很重要？因为它在 v3 和 v4 以及 inception resnet 中被删除，但后来在mobilenet中重新引入并大量使用。

答案可以在 Going deep with convolutions 论文中找到：https ://arxiv.org/pdf/1512.00567v3.pdf

检查表 3。Inception v2 是 Going deep with convolutions 论文中描述的架构。Inception v3 是相同的架构（微小的变化），但训练算法不同（RMSprop、标签平滑正则化器、添加具有批量规范的辅助头以改进训练等）。

实际上，上面的答案似乎是错误的。确实，命名是一个很大的混乱。但是，它似乎在介绍 Inception-v4 的论文中得到了修复（参见：“Inception-v4, Inception-ResNet and the Impact of Residual Connections on Learning”）：

Inception 深度卷积架构在 (Szegedy et al. 2015a) 中作为 GoogLeNet 被引入，这里命名为 Inception-v1。后来，Inception 架构以各种方式进行了改进，首先是通过引入批量标准化（Ioffe 和 Szegedy 2015）（Inception-v2）。后来在第三次迭代（Szegedy et al. 2015b）中添加了额外的分解想法，在本报告中将被称为 Inception-v3。