---
title: "Inception 架構（Inception Architecture）"
slug: inception-architecture
language: zh-TW
source: https://aiterms.tw/terms/inception-architecture
updated_at: 2026-07-30
tags: [深度學習, 機器學習, AI基礎]
ipas_term: false
---

# Inception 架構（Inception Architecture）

使用多分支並行卷積的架構，在同一層中採用不同大小（1×1, 3×3, 5×5）的卷積核進行特徵提取，捕捉多尺度信息。

## 完整說明

Inception 架構（Google 發布的 GoogLeNet 所使用）通過並行多個不同大小卷積的分支，在單一層內捕捉多尺度特徵。每個 Inception 塊包含 1×1、3×3、5×5 卷積和最大池化，各分支独立計算再連接融合。這種多尺度特徵提取提升了網路的表達能力，同時通過 1×1 卷積瓶頸控制計算複雜度。

## 常見問題

### Inception 塊中為什麼需要多個不同大小的卷積分支而不用單一大卷積核？

多個分支而非單一大核的優勢在效率和泛化。用單一 5×5 卷積替代 Inception 塊的四個分支會有嚴重問題。首先，計算成本，5×5 卷積的計算複雜度是 3×3 的 2.77 倍；若使用 5×5 卷積並保持相同輸出通道數，整體計算量會增加 2-3 倍。Inception 塊通過 1×1 降維（如從 256 通道降至 64）再進行 3×3 或 5×5，總計算量遠低於單一 5×5。其次，表達能力，不同大小卷積核的組合比單一核更靈活，能同時捕捉精細和粗粒度特徵。再次，梯度流動，多分支提供多條梯度回傳路徑，類似於 ResNet 的跳躍連接。最後，實驗證實，分支組合的精度優於單一大核，計算量卻低數倍。因此 Inception 設計通過多分支實現了「多尺度感知」而不犧牲效率。

### Inception 塊中的 1×1 卷積為什麼這麼重要，移除會如何影響性能？

1×1 卷積在 Inception 中有三個關鍵角色。首先，降維：在進行 3×3 或 5×5 卷積前先用 1×1 降低通道數，如從輸入 256 通道降至 96，之後再進行 3×3 卷積。這樣 3×3 卷積的參數量從 256×3×3×256 降至 96×3×3×256，約減 2.67 倍。其次，非線性表達，1×1 卷積配合 ReLU 激活增加非線性，無此激活的線性變換表達能力不足。再次，通道混合，1×1 卷積允許輸入通道的加權組合，提升特徵融合。移除 1×1 卷積（或用線性層替代）會導致：計算量增加 3-4 倍，模型參數激增，訓練變得困難，精度下降 3-5%。此外，沒有 1×1 的降維，後續 3×3 卷積會過度受限於計算預算，只能使用更少的輸出通道，降低了特徵豐富度。實驗表明，Inception 的優勢很大程度來自 1×1 的精妙應用。

### Inception 與 ResNet 應該如何選擇，它們各自的優劣勢是什麼？

選擇取決於應用場景和優先級。Inception（GoogLeNet/Inception v3）優勢是多尺度特徵捕捉能力強，在複雜背景和多目標場景表現好；精度在相同計算預算下往往高於 ResNet；在物體檢測、圖像分類等任務上精度領先。劣勢是設計複雜，超參數眾多，調優困難；計算圖複雜度高，推理延遲往往高於 ResNet；內存使用多，訓練需更多資源。ResNet 優勢是架構簡潔，易理解易調優；計算圖高效，推理延遲低；極深版本（ResNet-152）精度高，泛化性好；成為了事實標準，生態成熟（預訓練權重、部署工具多）。劣勢是多尺度特徵捷捕捉能力不如 Inception，某些複雜場景精度略低。實務建議：計算資源充足且追求最高精度用 Inception；計算受限或需要快速迭代用 ResNet；對推理延遲敏感用 ResNet；大規模數據集上都可考慮，ResNet 往往更實用。現代趨勢是很多應用採用 ResNet 骨幹結合檢測/分割頭，兼顧簡潔和性能。

---

來源：https://aiterms.tw/terms/inception-architecture
快查頁：https://aiterms.tw/terms/inception-architecture
最後更新：2026/07/30
深度解說：https://aiterms.tw/learning/what-is-inception-architecture