一、基本概念
Residual Connection：
本质是“短路连接”
如下图阴影部分，通过增加shortcuts，加速训练，从而可以训练出更深的模型（I.R.v2 > Inception v3）。更深的模型意味着可以学出更多东西，带来精度的提升。
I.R. v2结构，注意到图中inception区块被简化了，比先前的Inception V3种要包含更少的并行塔（parallel towers）。
Inception模块的特点，是通过这种并联结构减少参数，使得泛化性更好、降低对样本数量的要求。
实现
通过将并联部分与“短路连接”的tensors相加（或加权相加），并经过一个‘relu’激活函数。
x = layers.add([mix0, shortcut])
x = layers.Activation('relu')(x)
二、论文
为了进一步推进这个领域的进步，今天Google团队宣布发布Inception-ResNet-v2（一种卷积神经网络——CNN），它在ILSVRC图像分类基准测试中实现了当下最好的成绩。Inception-ResNet-v2是早期Inception V3模型变化而来，从微软的残差网络（ResNet）论文中得到了一些灵感。相关论文信息可以参看我们的论文Inception-v4, Inception-ResNet and the Impact of Residual Connections on Learning（Inception-v4, Inception-ResNet以及残差连接在学习上的影响）：
残差连接（Residual connections ）允许模型中存在shortcuts，可以让研究学者成功地训练更深的神经网络（能够获得更好的表现），这样也能明显地简化Inception块。
效果
如下方图表所示，Inception-ResNet-v2架构的精确度比之前的最优模型更高，图表中所示为基于单个图像的ILSVRC 2012图像分类标准得出的排行第一与排行第五的有效精确度。此外，该新模型仅仅要求两倍于Inception v3的容量与计算能力。
Inception-ResNet-v2具体代码实现过程参见：
https://github.com/tensorflow/models/blob/master/slim/nets/inception_resnet_v2.py