图像分类 AlexNet GoogleNet VGG ResNet学习

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

AlexNet更强调了全连接层的作用，它用了两个全连接层，那么为了减少权重的数目，才引出了dropout这个概念

输入尺寸：227*227像素（因为竞赛的需要）
卷积层：好多（因为输入尺寸的需要）
降采样层：好多（因为输入尺寸的需要）
标准化层：这个反正就是一个公式
输出：1000个类别（因为竞赛的需要）

AlexNet的结构图，是由八个模块组成的。
https://www.jianshu.com/p/58168fec534d

googlenet，14年比赛冠军的model，这个model证明了一件事：用更多的卷积，更深的层次可以得到更好的结构。

VGG有很多个版本，也算是比较稳定和经典的model。它的特点也是连续conv多，计算量巨大（比前面几个都大很多）。
http://www.sohu.com/a/134347664_642762
 

VGGNet  2014年
牛津大学计算机视觉组（Visual Geometry Group）
通过反复堆叠3*3的小型卷积核和2*2的最大池化层，VGGNet成功地构筑了16~19层深的卷积神经网络。
每次池化后刚好缩小一半，信道数目不断增加一倍。

ResNet残差网络
https://blog.csdn.net/linolzhang/article/details/71380668