这一章讲解了几个经典的卷积神经网络，包括AlexNet，VGGNet，GoogleInceptionNet，ResNet，并用TensorFlow实现他们。关于这一章的介绍方式，我还是挺纠结的。原先想的是按照书上的，每个网络架构讲解一下，各写一个博客，像先前一样，重点还是在tensorflow的实现上。但是后来还是觉得，整体写一个综述可能对自己对大家的帮助更大。代码的实现可以就不一一尝试了，有兴趣的可以看看书，理解代码就好，毕竟现在轮子太多，不需要我们从头实现这些网络。
卷积网络的发展历程
《TensorFlow实战》本章主要重点在前两种发展趋势，一种是网络加深，一种是增强卷积块功能。本文的重点也是介绍这两条线的相关网络。
LeNet5
论文：Gradient-Based Learning Applied to Document Recognition
时间：1998
网络结构：
LeNet5是整个CNN的开山鼻祖，书上是在第5章的79页介绍的。该网络是用于手写体字符识别的非常高效的卷积神经网络。其一共有七层，分别为卷积层，池化层，卷积层，池化层，卷积层，全连接层，全连接层。卷积核大小均为5*5，池化层的采样区域均为2*2,。
突破：
（1）使用双曲正切或Sigmoid激活函数
（2）定义了卷积神经网络的基本架构：卷积层+池化层+全连接层
（3）定义了卷积层。
相关资料：LeNet5详解
AlexNet
论文：ImageNet Classification with Deep Convolutional Neural Networks
时间：2012
网络结构：
AlexNet网络当时提出是用于ILSVRC任务中，即ImageNet数据集（1000类图片）检测。ALexNet把CNN的基本原理应用到了很深很宽的网络中，其出现后，卷积神经网络才开始爆炸性发展。AlexNet一共有8层（不含池化层和LRN层），拥有5个卷积层。
这里放个小彩蛋，AlexNet在图片预处理中把图片裁剪为224*224并进行数据增强。为什么是这个尺寸呢？
答：最后一个卷积特征feature map的大小，可以是3*3，5*5，7*7等等在这些尺寸中，如果尺寸太小，那么信息就丢失太严重，如果尺寸太大，信息的抽象层次不够高，计算量也更大，所以7*7的大小是一个最好的平衡。因此找一个7*2的指数次方，并且在300左右的，其中7*2的4次方=7*16=112，7*2的5次方等于7*32=224，7*2的6次方=448，而ImageNet中图片长款多为300左右，与300最接近的就是224了。
突破：
（1）：使用Relu代替双曲正切激活函数
（2）：在最后几个全连接层使用Dropout，随机忽略一部分神经元。
（3）：使用最大池化层代替平均池化层。
（4）：提出LRN层，对局部神经元的活动创建竞争机制。
（5）：采用双 GPU 网络结构，从而可以设计出更“大”、更“深”的网络。
（6）：数据预处理：使用数据增强扩充数据集，对训练图像做PCA，利用服从 (0,0.1) 的高斯分布的随机变量对主成分进行扰动。
相关资料：AlexNet详解
VGGNet
论文地址：Very Deep Convolutional Networks for Large-Scale Image Recognition
时间：2014
网络结构：
VGG网络同样也是用于ILSVRC比赛中，在2014年取得了第二名的成绩。利用多个小卷积核可以代替高维卷积核进行卷及操作，达到减少计算量的效果。网络结构中，卷积层步长都为1，池化层步长都为2。从VGG-A到VGG-E的参数量没有发生太大的改变，其中D、E就是常说的VGG16和VGG19。
突破：
（1）取消LRN层，LRN的作用不大，且增加训练时间
（2）先训练简单网络，再复用该网络权值来初始化后面的几个复杂模型。
（3）在数据增强中，先做宽高等比缩放（原文用的词是 isotropically rescaled，即同质化缩放），使其最短边长度达到 S，接着再做随机裁剪。
（4）证明了越深的网络效果越好。
（5）整个网络全部使用了3*3的卷积核和2*2的池化核。一方面可以减少运算量，另一方面可以进行更多地非线性变换，可以增强特征的学习能力。
NIN
论文：Network in Network
时间：2013
网络结构：
NIN改进了传统的CNN，采用了少量参数就取得了超过AlexNet的性能，AlexNet网络参数大小是230M，NIN只需要29M。
突破：
（1）将传统卷积层替换为非线性卷积层以提升特征抽象能力
（2）使用新的pooling层（全局平均池化层）代替传统全连接层
相关资料：NIN论文笔记（含TensorFlow实现）
Google Inception Net
Inception V1
论文地址：Going Deeper with Convolutions
时间：2014
网络结构：
其中提出的Inception Module的结构如下：
它一共包含了4个 分支。第一个分支是一个1×1的卷积，1×1的卷积是一个非常优秀的结构，它可以跨通道组织信息，来提高网络的表达能力，同时还可以对输出通道进行升维和降维，1×1的卷积还可以进行低成本的跨通道特征变换，在Google Inception Net中大量使用了1×1的卷积。第二个分支，先使用了一个1×1的卷积，然后再连接了一个3×3的卷积，相当于进行了两次特征变换。第三个分支的结构与第二个分类相类似，只是将3×3的卷积换成了更大的5×5的卷积。最后一个分支，是先进行3×3的最大池化，然后再使用1×1的卷积。最后通过聚合操作在输出通道上将四个分支的结果进行合并。Inception Module中包含了1×1、3×3、5×5三种不同大小的卷积和一个3×3的最大池化，来增加网络对于不同尺度的适应性。
GoogleNet是ILSVRC 2014的冠军。Inception的最大特点是：通过精心设计，使得网络在计算量不变的前提下，深度和宽度得到了增加，Inception V1一共有22层，比VGGNet更深。从而提高了深度网络对于计算资源的利用。14年用于ILSVRC的GoogleNet是他的一个特例。Inception V1的特点就是控制了计算量和参数量，Inception V1只有500万 的参数量，而AlexNet有6000万。
突破：
（1）精心设计了Inception Module来提高参数的利用率。
（2）使用辅助分类节点(auxiliary classifiers)，将中间某一层的输出用作分类，并按一个较小的权重(0.3)加到最终的分类结果中。相当于做了模型融合，同时还给网络增加了方向传播的梯度信号。
（3）借鉴了NIN中全局平均池化层代替最后一层全连接层
Inception V2
论文地址：Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift
时间：2015
新的Inception module：
InceptionV2在ImageNet上的识别打败了GoogleNet。
突破：
（1）Inception Module 中卷积核大小为 5 × 5 的卷积层用两个相连的卷积核大小为 3 × 3 的卷积层进行替换。
（2）使用BN算法，对每一个batch数据进行内部的标准化处理(均值为0，方差为1)，使得输出规范化到N(0,1)的正态分布，减少Internal Covariate Shift（内部神经元分布的改变）。
Inception V3
论文地址：Rethinking the Inception Architecture for Computer Vision
时间：2015
突破：
（1）优化算法使用RMSProp替代SGD。
（2）使用Label Smoothing Regularization（LSR）方法
Inception V4（Inception ResNet）
论文地址：Inception-v4，Inception-ResNet and the Impact of Residual Connections on Learning
时间：2016
Inception V4相对于Inception V3主要是结合了微软的ResNet。
ResNet
论文地址：Deep Residual Learning for lmage Recognition
时间：2015
2015 年，Kaiming He 提出了 ResNet（拿到了 2016 年 CVPR Best Paper Award），不仅解决了神经网络中的退化问题（Degrade Problem，即相较于浅层神经网络，深层神经网络的深度到达一定深度后，拟合能力反而更差，训练/测试误差更高），还在同年的 ILSVRC 和 COCO 竞赛横扫竞争对手，分别拿下分类、定位、检测、分割任务的第一名。
Xception
论文地址：Xception:Deep Learning with Depthwise Separable Convolutions
时间：2016
参考资料
CNN入门
CNN发展史
《TensorFlow实战》第6章
机器学习与人工智能技术的分享（推荐!）