圖像分類 AlexNet GoogleNet VGG ResNet學習

Lenet，1986年
Alexnet，2012年
GoogleNet，2014年
VGG，2014年
Deep Residual Learning，2015年
 

AlexNet更強調了全連接層的作用，它用了兩個全連接層，那麼爲了減少權重的數目，才引出了dropout這個概念

輸入尺寸：227*227像素（因爲競賽的需要）
卷積層：好多（因爲輸入尺寸的需要）
降採樣層：好多（因爲輸入尺寸的需要）
標準化層：這個反正就是一個公式
輸出：1000個類別（因爲競賽的需要）

AlexNet的結構圖，是由八個模塊組成的。
https://www.jianshu.com/p/58168fec534d

googlenet，14年比賽冠軍的model，這個model證明了一件事：用更多的卷積，更深的層次可以得到更好的結構。

VGG有很多個版本，也算是比較穩定和經典的model。它的特點也是連續conv多，計算量巨大（比前面幾個都大很多）。
http://www.sohu.com/a/134347664_642762
 

VGGNet  2014年
牛津大學計算機視覺組（Visual Geometry Group）
通過反覆堆疊3*3的小型卷積核和2*2的最大池化層，VGGNet成功地構築了16~19層深的卷積神經網絡。
每次池化後剛好縮小一半，信道數目不斷增加一倍。

ResNet殘差網絡
https://blog.csdn.net/linolzhang/article/details/71380668