大尺寸的卷积核可以带来更大的感受野，但也意味着更多的参数,比如5x5卷积核参数是3x3卷积核的25/9=2.78倍。可以用2个连续的3x3卷积层(stride=1)组成的小网络来代替单个的5x5卷积层（保持感受野范围的同时又减少了参数量）。
基于此考虑，对Incepton结构进行改进，将大的卷积核用小的卷积核替换，得到Inception V2
Inception V2的结构如上图所示
除此之外，Inception还进行了两个方面的改进，分别是label smooth 和 BN。
（1）label smooth
深度学习用的labels一般都是one -hot向量，用来指示classifier的唯一结果，即只在某一位置取1，其它位置都是0，Labels的脉冲性质会引发两个不良后果：一是over-fitting，另外一个是降低了网络的适应性（网络对它产生的结果太自信了）；Inception v2在网络实现的时候，令label_smoothing = 0.1，num_classes= 1000。Label smooth提高了网络精度0.2%
（2）BN
传统的深度神经网络在训练时，每一层的输入的分布都在变化（如果分布一致的话会简化学习过程），导致训练变得困难（mini batch 每个batch分布也不同），我们只能使用一个很小的学习速率解决这个问题。
BN在用于SGD时，会对每一个mini-batch数据的内部进行标准化（normalization）处理，使输出规范化到N(0,1)的正态分布，减少了InternalCovariate Shift（内部神经元分布的改变）。
BN是一个非常有效的正则化方法，可以让大型卷积网络的训练速度加快很多倍，同时收敛后的分类准确率也可以得到大幅提高。同时也可以尝试大的学习率并且减少L1,L2和Dropout等正则化措施。
