其实，做到现在，inception 模块感觉已经做的差不多了，再做下去准确率应该也不会有 大的改变。但是谷歌这帮人还是不放弃，非要把一个东西做到极致，改变不了inception模块， 就改变其他的。
因此，作者 Christian Szegedy 设计了 inception v4 的网络，将原来卷积、池化的顺 次连接（网络的前几层）替换为 stem 模块，来获得更深的网络结构。stem 模块结构如下
inception v4 中 的 inception 模 块 （ 分 别 为 inception A inception B inceptionC）
inception v4 中的 reduction 模块（分别为 reduction A reduction B） 最终得到的 inception v4 结构如下图。
Inception-ResNet-v2
ResNet（该网络介绍见卷积神经网络结构简述（三）残差系列网络）的结构既可以加速 训练，还可以提升性能（防止梯度弥散）；Inception 模块可以在同一层上获得稀疏或非稀疏 的特征。有没有可能将两者进行优势互补呢？
Christian Szegedy 等人将两个模块的优势进行了结合，设计出了 Inception-ResNet 网络。 (inception-resnet 有 v1 和 v2 两个版本，v2 表现更好且更复杂，这里只介绍了 v2) inception-resnet 的成功，主要是它的 inception-resnet 模块。 inception-resnet v2 中的 Inception-resnet 模块如下图
Inception-resnet 模块（分别为 inception-resnet-A inception-resnet-B inception-resnet-C） Inception-resnet 模块之间特征图尺寸的减小如下图。（类似于 inception v4）
inception-resnet-v2 中的 reduction 模块（分别为 reduction A reduction B） 最终得到的 Inception-ResNet-v2 网络结构如图(stem 模块同 inceptionv4).
