图像卷积网络里的概念汇总（持续更新）

https://www.baidu.com/s?wd=10%E5%A4%A7CNN%E7%BD%91%E7%BB%9C%E6%9E%B6%E6%9E%84%E4%BA%A7%E7%94%9F%E5%8E%86%E5%8F%B2%E9%A1%BA%E5%BA%8F%E5%9B%BE&ie=UTF-8

CNN经典结构（Lenet，AlexNet，VGG，GoogleNet，ResNet, Resnext, Densenet, Senet, BAM,mobilenet）及其pytorch实现_人工智能_xu_fu_yong的专栏-****博客
https://blog.****.net/xu_fu_yong/article/details/92848502?depth_1-

(22条消息)深度学习----CNN几种常见网络结构及区别_网络_樱花落瓣-****博客
https://blog.****.net/Sakura55/article/details/81559881

我将从Lenet 开始，以时间线为维度，从各大经典网络里抽取 每一个网络 提出的各种经典的网络结构，方法做个汇总，讲解，也当作一个自己的知识梳理。

 

1. LeNet-5  
2. AlexNet
3. VGG-16
4. Inception-v1
5. Inception-v3
6. ResNet-50
7. Xception
8. Inception-v4
9. Inception-ResNets
10. ResNeXt-50

 

1、LeNet-5  

 

2、AlexNet

 

3、VGG-16（19）

特点：网络的层次都更深了。但是参数是Alexnet的三倍

NIN层  和  全局平均池化层 （Global Average Pooling）GAP

 

GAP 另外一个很好解释的图

GAP能减少参数量的解释图，最右边那个应该是 4*4 = 16.

 

4、GoogleNet：2014年的ILSVRC的冠军模型

https://zhuanlan.zhihu.com/p/104671625

特点：网络的层次都更深了。

虽然深度有22层，但是参数却是Alexnet的1/12。性能更加优越，碾压VGG。

Inception-v1

特色： 引入了多尺度的方法，增加多尺度对于输入特征图信息的提取，同时参数也维持脚底水平。

设计一个稀疏网络结构，但是怎么产生稠密的数据呢。就用这个!CNN中常见的三种卷积核，和池化操作堆叠在一起，一方面增加了网络的宽度，另一方面也加强了网络对尺度的是影响。但是这个原始的版本思路是好的，但是计算量太大了，因此作者对3x3和5x5的卷积层之前用了1x1的缩小图片的channel数量，因此V1是这个样子：

 

 

Inception-v3

5、ResNet-50

Xception

Inception-v4

Inception-ResNets

ResNeXt-50