1. LeNet & MNIST
LeNet初步确立了CNN的基本结构,是最早的卷积神经网络之一。由多个卷积层、池化层、全连接层、输出层等组成。
MNIST是一个数据集,MNIST数据集是从NIST的两个手写数字数据集中分别取出部分图像,并经过一些图像处理后得到的。不仅可以用来训练数据集,还可进行测试。
2、AlexNet & CIFAR
AlexNet是第一个现代深度卷积网络模型,包含5个卷积层、3个汇聚层和3个全连接层。首次使用了很多技术方法。如GPU进行并行训练,ReLU作为非线性激活函数,Dropout防止过拟合,使用数据增强。
CIFAR起初的数据集共分10类,CIFAR共包含60000张32*32的彩色图像(包含50000张训练图片,10000张测试图片),其中没有任何类型重叠的情况。后来CIFAR又出了一个分类更多的版本叫CIFAR-100,共有100类,将图片分得更细。
3、VGG Net
VGG Net具有更小的卷积核和更深的网络结构。VGG Net就是在Alexnet 的基础上拓宽了网络深度。并且将有权重的层叠加至16或19层,根据层的深度,称“VGG16”或“VGG19”。VGG Net的网络模型的结果表明深度有利于结果的准确性。
4、 GoogLeNet & Inception v1
GoogLeNet是2014年Christian Szegedy提出的一种全新的深度学习结构。
inception的提出从另一种角度来提升训练结果:能更高效的利用计算资源,在相同的计算量下能提取到更多的特征,从而提升训练结果。在相同尺寸的感受野中叠加更多的卷积,能提取到更丰富的特征,并且降低了计算复杂度。
5、ResNet
ResNet以VGG网络为基础,引入快捷结构以加深层。 残差网络的特点是容易优化,并且能够通过增加相当的深度来提高准确率。其内部的残差块使用了跳跃连接,缓解了在深度神经网络中增加深度带来的梯度消失问题。