问题“FaceNet：人脸识别和聚类的统一嵌入”中引用的论文可在https://arxiv.org/pdf/1503.03832.pdf获得。本文第 5 页列出了 Inception 模块架构的参考文献 [16]。

介绍和描述这种Inception架构的原始论文是 - “Going Deeper With Convolutions”，可在https://www.cs.unc.edu/~wliu/papers/GoogLeNet.pdf访问。

第 4 页的图表中给出了初始模块的概述，它包含在这里 -

设计这种架构的关键思想是在同一层（初始层）内同时部署具有多个过滤器和池化层的多个卷积。例如，在此图（图 a）所示的架构中，使用 1x1 过滤器以及 3x3 和 5x5 过滤器以及最大池化层的卷积。图 b 展示了使用 1x1 卷积滤波器如何实现降维（因为减少了通道数）。

目的是让神经网络在训练网络时学习到最佳权重，并自动选择更有用的特征。此外，它打算减少数量。的尺寸，所以没有。单元和层数可以在后期增加。这样做的副作用是增加了训练这一层的计算成本。为了解决这个问题，论文中提出了许多解决方案，例如为此架构部署并行计算。

作为对这些概念的说明，第 5 页上的表格显示了这种架构的化身，称为“GoogLeNet”，用于 ILSVRC 2014 竞赛。