在GoogLeNet中，基本的卷积块被称为Inception块
class Inception(nn.Module):# c1--c4是每条路径的输出通道数def __init__(self, in_channels, c1, c2, c3, c4, **kwargs):super(Inception, self).__init__(**kwargs)# 线路1，单1x1卷积层self.p1_1 = nn.Conv2d(in_channels, c1, kernel_size=1)# 线路2，1x1卷积层后接3x3卷积层self.p2_1 = nn.Conv2d(in_channels, c2[0], kernel_size=1)self.p2_2 = nn.Conv2d(c2[0], c2[1], kernel_size=3, padding=1)# 线路3，1x1卷积层后接5x5卷积层self.p3_1 = nn.Conv2d(in_channels, c3[0], kernel_size=1)self.p3_2 = nn.Conv2d(c3[0], c3[1], kernel_size=5, padding=2)# 线路4，3x3最大汇聚层后接1x1卷积层self.p4_1 = nn.MaxPool2d(kernel_size=3, stride=1, padding=1)self.p4_2 = nn.Conv2d(in_channels, c4, kernel_size=1)def forward(self, x):p1 = F.relu(self.p1_1(x))p2 = F.relu(self.p2_2(F.relu(self.p2_1(x))))p3 = F.relu(self.p3_2(F.relu(self.p3_1(x))))p4 = F.relu(self.p4_2(self.p4_1(x)))# 在通道维度上连结输出return torch.cat((p1, p2, p3, p4), dim=1)inception块的亮点：
多路径并行处理，增加了网络的宽度
1*1卷积被用来减少或增加通道数，同时减少计算量
不同大小的卷积核使得网络能够捕捉不同尺度的特征
使用最大汇聚层，在空间上降低特征图的尺寸，同时保留最重要的信息
在最大汇聚层后立即使用1*1卷积层，有助于减少参数量，使得特征图的通道数可以调整
滤波器（filter）的组合
它们可以用各种滤波器尺寸探索图像，这意味着不同大小的滤波器可以有效地识别不同范围的图像细节。 同时，我们可以为不同的滤波器分配不同数量的参数。
GoogLeNet模型
逐层实现
第一层：64个通道，7*7卷积层
b1 = nn.Sequential(nn.Conv2d(1, 64, kernel_size=7, stride=2, padding=3),nn.ReLU(),nn.MaxPool2d(kernel_size=3, stride=2, padding=1))第二层：第一个卷积层64个通道，1*1卷积层，第二个卷积层使用将通道数量增加三倍的3*3卷积层，这对于inception块中的第二条路径
b2 = nn.Sequential(nn.Conv2d(64, 64, kernel_size=1),nn.ReLU(),nn.Conv2d(64, 192, kernel_size=3, padding=1),nn.ReLU(),nn.MaxPool2d(kernel_size=3, stride=2, padding=1))第三个模块串联两个完整的Inception块
b3 = nn.Sequential(Inception(192, 64, (96, 128), (16, 32), 32),Inception(256, 128, (128, 192), (32, 96), 64),nn.MaxPool2d(kernel_size=3, stride=2, padding=1))第四模块更加复杂， 它串联了5个Inception块
b4 = nn.Sequential(Inception(480, 192, (96, 208), (16, 48), 64),Inception(512, 160, (112, 224), (24, 64), 64),Inception(512, 128, (128, 256), (24, 64), 64),Inception(512, 112, (144, 288), (32, 64), 64),Inception(528, 256, (160, 320), (32, 128), 128),nn.MaxPool2d(kernel_size=3, stride=2, padding=1))第五模块包含输出通道数为256+320+128+128=832和384+384+128+128=1024的两个Inception块。
b5 = nn.Sequential(Inception(832, 256, (160, 320), (32, 128), 128),Inception(832, 384, (192, 384), (48, 128), 128),nn.AdaptiveAvgPool2d((1,1)),nn.Flatten())net = nn.Sequential(b1, b2, b3, b4, b5, nn.Linear(1024, 10))问题：
什么时候需要些forward函数？
自定义卷积层的时候：创建一个具有特殊行为的卷积层，比如改变卷积核的大小，步长，填充或者添加特定的激活函数组合时，需要继承现有的层并重写forward函数
组合卷积操作：当你想要将卷积与其他操作（如批量归一化，激活函数，dropout等）组合在一起时，可以通过定义forward函数来实现
实现特殊模型时：如Inception网络，ResNet等，其中包含了多个并行的卷积路径，需要在forward函数中实现这些路径的数据流动
集成外部操作：如果要集成一些外部操作，比如自定义的数学函数或从其他库导入的操作时，在forward中实现
修改前向传播逻辑：如果需要根据输入数据的不同特性动态改变前向传播行为，如使用条件卷积
—希尔排序)