同样方法构建的CNN模型为什么效果千差万别

CNN（卷积神经网络）更适合计算机视觉领域。下面总结从1998年至今的优秀CNN模型，包括LeNet、AlexNet、ZFNet、VGG、GoogLeNet、ResNet、DenseNet、SENet、SqueezeNet、MobileNet。

LeNet

LeNet是一种经典的卷积神经网络（CNN）架构，最初由Yann LeCun等人在1989年提出，并在1998年的论文《Gradient-Based Learning Applied to Document Recognition》中详细描述。

LeNet的主要特点
网络架构：
LeNet的网络结构相对简单，通常包括多个卷积层、池化层（也称为下采样层）和全连接层。
卷积层通过卷积操作提取输入图像的特征，生成特征图（feature maps）。
池化层用于降低特征图的空间尺寸，减少计算量和参数数量，同时保持重要特征。
全连接层将特征图转换为一维向量，并通过分类器输出最终的预测结果。

LeNet的网络结构示例

以LeNet-5为例， 其网络结构通常包括以下几个部分：

输入层： 接收原始图像数据，通常为灰度图像，大小为32x32像素。
卷积层C1： 使用6个5x5的卷积核进行卷积操作，生成6个特征图，大小为28x28像素（考虑到边界填充）。
池化层S2： 对C1层的特征图进行下采样，通常使用2x2的窗口和步长为2的平均池化或最大池化，生成6个14x14的特征图。
卷积层C3： 使用更多的卷积核（如16个）进行卷积操作，生成16个特征图，大小可能因具体实现而异。
池化层S4： 对C3层的特征图进行下采样，生成更小的特征图。
全连接层： 将S4层的特征图展平为一维向量，并通过多个全连接层进行分类。
输出层： 使用softmax激活函数输出类别概率，并选择概率最大的类别作为最终预测结果。