GoogLeNet 層級參數解釋
Stem 層（前處理 + 初始特徵提取）
| 層名 | 位置/功能 | 參數內容 | 直觀角色 |
|---|---|---|---|
conv1.parameters() | 最前面的 7×7 卷積層 | 第一個大卷積核 (3→64 通道, stride=2) 的權重和 bias | 從原始 RGB 圖片抽出最基本的特徵（邊緣、顏色梯度、簡單紋理）。這是整個網路的「眼睛」，直接面對輸入影像。 |
conv2.parameters() | 第二個 1×1 + 3×3 卷積組合 | 兩個小卷積層的權重 (64→192 通道) | 對 conv1 的輸出做更細緻的特徵提煉，開始出現多尺度處理的雛形。 |
conv3.parameters() | 第三個卷積 + 池化前處理 | 最後一個 stem 卷積 (192→192 或類似) | 過渡層，準備進入 Inception 模組，特徵圖大小通常在這裡降到 28×28 或更小。 |
Inception 3 模組（中低階特徵）
| 層名 | 位置/功能 | 參數內容 | 直觀角色 |
|---|---|---|---|
inception3a.parameters() | 第一個 Inception 模組 | 4 個平行分支的卷積核 (1×1, 3×3, 5×5, pool) | 開始多尺度學習：同時看細節（1×1）、中等形狀（3×3）、大範圍特徵（5×5）。輸出通道約 256。 |
inception3b.parameters() | Inception 3 的第二個模組 | 類似 3a，但通道數略增 (約 480 輸出) | 深化特徵提取，在 3a 基礎上學更複雜的模式，特徵圖大小通常維持或略降。 |
Inception 4 模組（中高階特徵 + 輔助分類器）
| 層名 | 位置/功能 | 參數內容 | 直觀角色 |
|---|---|---|---|
inception4a.parameters() | Inception 4 開頭 | 通道數增加到約 512 的 Inception 模組 | 特徵更豐富，這裡通常會接一個輔助分類器 (aux1)，用來穩定深層訓練（解決梯度消失）。 |
inception4b-d.parameters() | Inception 4 中間 3 個模組 | 持續深化，通道數維持 512 左右 | 穩定特徵學習階段，每個模組都捕捉不同尺度的語意資訊（如物體部位關係）。 |
inception4e.parameters() | Inception 4 結尾 | 最後一個 512 通道 Inception，通常後接 max pooling | 過渡到更深層，特徵圖大小降到約 7×7，準備進入最終階段。 |
Inception 5 模組（高階語意特徵）
| 層名 | 位置/功能 | 參數內容 | 直觀角色 |
|---|---|---|---|
inception5a.parameters() | 倒數第二階段 | 通道數激增到 832 的 Inception 模組 | 高階語意提取：學整個物體的概念、場景理解。這裡的特徵已經很抽象。 |
inception5b.parameters() | 最後一個 Inception 模組 | 輸出 1024 通道，通常接 global average pooling | 最終特徵壓縮，把所有層的資訊整合成最豐富的表示，準備分類。 |
分類頭
| 層名 | 位置/功能 | 參數內容 | 直觀角色 |
|---|---|---|---|
fc.parameters() | 最後的全連接層 | 1024→num_classes 的線性變換權重 | 分類決策層：把前面所有特徵映射到最終的類別分數（例如 1000 類 ImageNet）。這是最後的「大腦」，做最終判斷。 |