Inception V3，GoogLeNet的改进版本,采用InceptionModule和全局平均池化层，v3一个最重要的改进是分解（Factorization），将7x7分解成两个一维的卷积（1x7,7x1），3x3也是一样（1x3,3x1），这样的好处，既可以加速计算（多余的计算能力可以用来加深网络），又可以将1个conv拆成2个conv，使得网络深度进一步增加，增加了网络的非线性，还有值得注意的地方是网络输入从224x224变为了299x299，更加精细设计了35x35/17x17/8x8的模块；ILSVRC 2012 Top-5错误率降到3.58% test error
paper：Szegedy, Christian, et al. “Rethinking the inception architecture for computer vision.” arXiv preprint arXiv:1512.00567 (2015). pdf
Inception V3 抽象结构如图（来自googleblog）
Factorization 如图：
Inception V3 原始结构如图:
用不同节点表示如图，在这里，我们是按照tensorflow中代码进行重画，由于bn的配置关系，因此没有特别将bn层进行绘制，而是着重帮助理解所有的inception module。
[大图](https://raw.githubusercontent.com/weslynn/graphic-deep-neural-network/master/modelpic/v3-tf.png)
源码：
tensorflow 源码 https://github.com/tensorflow/models/tree/master/research/slim/nets/inception_v3.py