【深度学习的骨架与脉搏】一篇弄懂几个经典CNN图像模型（AlexNet、VGGNet、ResNet）

已于 2025-04-12 09:31:59 修改
阅读量1.7k 收藏 81
点赞数 71
分类专栏： 《深度学习理论直觉三十讲》 文章标签： 深度学习 pytorch 计算机视觉
于 2025-02-12 09:29:23 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/m0_67656158/article/details/145559882
版权
了解本专栏 订阅专栏 解锁全文 超级会员免费看
【深度学习的骨架与脉搏】循环神经网络模型 · RNN（呕心沥血版）
十二月的猫
02-20 2321
在人工智能领域，尤其是处理时间序列数据和序列信息时，传统的神经网络往往无法有效捕捉到数据之间的时序关系。而循环神经网络（RNN）则应运而生，成为了解决这类问题的强大工具。RNN的独特之处在于，它能够通过“记忆”之前的输入信息，利用这种记忆来影响后续的决策，这使得它在语音识别、自然语言处理、股票预测等领域得到了广泛应用。
【人工智能入门必看，避免走弯路】十二月的猫切身经历，从理论到实践的全指南
最新发布
十二月的猫
03-24 205
本文为AI初学者扫除认知盲区，十二月的猫以亲身踩坑经验梳理从理论到实战的捷径。详解机器学习基础、神经网络架构、主流框架对比三大核心模块，剖析图像分类与文本生成两大典型任务的代码实操陷阱。提供开源工具链配置清单、论文精读方法论及模型调试Checklist，直击数据预处理不规范、过拟合诊断缺失等高频痛点。文章总结20+个“后悔没早知道的”实践技巧，助你绕开盲目调参、忽视数学基础等常见误区，建立系统化学习路径，缩短3-6个月摸索期。
【 深入解析VGG网络：理论、调优与ResNet对比】
专注技术的博主
03-10 1157
参数典型值作用解析学习率0.001~0.01控制权重更新步长，过大易震荡，过小收敛慢。RMSProp/Adam可自适应调整。批量大小32~256影响梯度估计的稳定性，小批量增加随机性但需要更多内存。优化器Momentum（β=0.9）加速收敛，Adam结合动量与自适应学习率，适合非凸优化。权重初始化He正态分布针对ReLU激活，初始化权重方差为 (2/n_{\text{in}})，缓解梯度消失/爆炸。正则化惩罚大权重，防止过拟合。Dropout（rate=0.5）随机屏蔽神经元，增强泛化能力。
经典深度神经网络AlexNet、VGGNet
Tangguoseo的博客
06-15 1546
逐层分析经典深度神经网络Alex、VGG的结构
图片分类学习：AlexNet，VggNet，ResNet
m0_51929270的博客
03-03 1963
准确率：直接反映模型在测试集上的总体表现。精确率、召回率和 F1-score：帮助我们了解模型在每个类别上的表现，尤其是类别不平衡的情况。混淆矩阵：直观展示模型对每个类别的分类情况。AUC-ROC：评估模型的整体性能，尤其适用于类别不平衡的问题。训练曲线：评估模型的稳定性和收敛性。最终，通过对比这些指标，可以得出ResNet在准确率和稳定性上表现最佳的结论。
AlexNet+VGGNet模型框架（PyTorch）
weixin_41978493的博客
07-29 223
I. 前言 AlexNet，论文地址：ImageNet Classification with Deep Convolutional Neural Networks. VGGNet，论文地址：Very Deep Convolutional Networks for Large-Scale Image Recognition. 论文中提出了六种模型，其中较为有名的即是VGG-16及VGG-19. II. 模型构架图 AlexNet -VGGNet 【注】最后两列分别是VGG-16及VGG-19，标黄
深度学习算法之AlexNet和VGGNet
sinat_22336563的博客
04-17 8697
AlexNet： 1 模型特性该模型主要的特性如下： 1.1 激活函数——ReLU（1）激活函数使用ReLU，解决了梯度弥散问题;什么是梯度弥散?同样还有一个概念叫做梯度爆炸？直观的解释： 可以看出sigmod函数在靠近0的附近的时候梯度变化比较明显，到靠近1的地方梯度逐渐趋近与0，根据梯度下降算法，此时权值等参数变化不明显，函数很难收敛。本质的解释：假设一个简单的结构，输入层节点表示为h1h
卷积神经网络的几个经典结构：AlexNet/VGGNet/ResNet
MISADS的博客
10-27 1148
AlexNet AlexNet是在IMAGENET比赛中第一个获奖的CNN结构。 VGGNet VGGNet和AlexNet实际上都是对最传统的CNN进行重复堆叠的实践，将效果较好的结构记录下来方便以后继续使用，常用的有vgga(11层)，vgg16和vgg19。结构如下： 　　(示意图来自于cs231n的课件，有一点小问题，vgg16应该是3个conv层后接pool) ResNet 论文原文...
AlexNet、VGGNet学习笔记
quokka
10-27 714
模型对比 AlexNet VGGNet 成就 ILSVRC图像分类2012冠军、Top-5错误率16.42% ILSVRC图像分类2014亚军、Top-5错误率7.32% 结构 9层：5个卷积层、3个全连接层 16层：13个卷积层、3个全连接层 参数 60.3M 138M 卷积核 卷积核的大小由第一层的11 * 11到5 * 5最后为3 * 3 所有卷积核都为3 ...
【AI视野·今日CV 计算机视觉论文速览 第225期】Wed, 23 Jun 2021
TomRen
06-24 1704
AI视野·今日CS.CV 计算机视觉论文速览 Wed, 23 Jun 2021 Totally 73 papers ????上期速览✈更多精彩请移步主页 Daily Computer Vision Papers Tracking Instances as Queries Authors Shusheng Yang, Yuxin Fang, Xinggang Wang, Yu Li, Ying Shan, Bin Feng, Wenyu Liu最近，基于查询的深网络由于其结束到结束管道和竞争结果，
Alexnet 和 VGGnet学习整理笔记
zero_gau的博客
10-30 2133
Alex Net AlexNet是2012年ImageNet竞赛冠军获得者Hinton和他的学生Alex Krizhevsky设计的。也是在那年之后，更多的更深的神经网路被提出，比如优秀的vgg,GoogleLeNet。其官方提供的数据模型，准确率达到57.1%,top 1-5 达到80.2%. 这项对于传统的机器学习分类算法而言，已经相当的出色。 上图所示是caffe中alexnet的网...
CNN四大经典框架：AlexNet、VGGNet、Google Inception Net和ResNet总结
AI视觉Daily
02-02 2453
CNN四大经典框架：AlexNet、VGGNet、Google Inception Net和ResNet总结 文章目录CNN四大经典框架：AlexNet、VGGNet、Google Inception Net和ResNet总结前言一、AlexNet二、使用步骤1.引入库2.读入数据总结 前言 AlexNet、VGGNet、Google Inception Net、这4种网络依照出现的先后顺序排列，深度和复杂度也依次递进。它们分别获得了ILSVRC（ImageNet Large Scale Visual R
深度学习卷积CNN——Alexnet、VggNet、ResNet经典模型讲解等
joy1313_的博客
03-03 2285
通俗来讲，就是当今现在最牛叉模型SOTA（State of the Art）模型指的是在某一特定领域或任务中，当前表现最优、代表着该领域最高水平和最新技术发展状况的算法或模型。例如在图像识别领域中准确率最高的卷积神经网络，自然语言处理领域里理解能力最强的语言模型如 GPT 系列等。高性能指标：在公认的测试集上能取得最高的跑分等性能表现，如在 ImageNet 图像分类任务中准确率突破较高水平。创新性：会提出新方法，如改进模型架构或训练技巧，像 Transformer 架构就颠覆了传统的 RNN 架构。
三、计算机视觉_04AlexNet、VggNet、ResNet设计思想
LC的博客
11-17 1192
AlexNet是由Alex Krizhevsky、Ilya Sutskever和Geoffrey Hinton在2012年ImageNet大规模视觉识别挑战赛（ILSVRC）中提出的，它不仅赢得了当届的比赛，还激发了后续许多创新的神经网络架构（如VGGNet、ResNet、GoogLeNet等）的开发VggNet是由牛津大学的视觉几何组（Visual Geometry Group）在2014年ImageNet大规模视觉识别挑战赛（ILSVRC）中提出的，在当届比赛中取得了第二名的成绩。
深度学习-2.2 AlexNet、VggNet简介
yiwenbin94的博客
04-25 2935
2012 年， AlexNet 横空出世。这个模型的名字来源于论⽂第一作者的姓名 Alex Krizhevsky。AlexNet 使⽤了 8 层卷积神经⽹络，并以很⼤的优势赢得了 ImageNet 2012 图像识别挑战赛冠军。这是继LeNet之后的又一个里程碑。 一.AlexNet 网络模型 二.AlexNet 的新特点 学习这个网络在2012年面世，给深度学习这个行业带来的新的突破。 1.Relu函数 2.Dropout 3.数据增强 VGGNet，名字的来源是(Visual Geometry Gr
LeNet、AlexNet与VGGNet的学习笔记
gxb673281066的博客
05-14 890
发展顺序：LeNet-AlexNet-VGGNet 因此，以LeNet为起始研究 一些基本概念： 特征映射（Feature map）：为配合部分连接，卷积神经网络还运用了权值共享来减少参数数量。具体做法就是将卷积核在图片上移动（即移动卷积核的感受野）来计算出输出。 卷积核（kernel）：用于对输入图像进行共享权值的遍历；如果将图像每一个图像的每一个像素作为卷积输入层的元素，那么卷积核就相当与每个输入的权值，且有卷积核大小的一组输入使用同一组权值。 步长（stride）：卷积核是在图片上移动后遍历
VGG和ResNet
qq_51180928的博客
10-19 1063
本周，我学习了两个经典卷积神经网络模型——VggNet和ResNet。VggNet训练参数量巨大，而ResNet训练参数相较于VggNet少了很多，并且能有效解决深层神经网络的退化问题。ImageNet数据集（官网下载需要教育邮箱，这里我使用了Kaggle上的一个ImageNet数据集）给出了1000个种类，不同种类图片的尺寸都不相同，因此需要对数据进行预处理。在进行预处理之前，需要自定义数据集类，如此才能利用PyTorch中的DataLoader加载数据。
Alexnet--vgg
iteslafan的博客
09-19 641
Alexnet 总共8层，前五层卷积层，后三层全连接层，开始用比较大的卷积核，并采用maxpool，总的参数量：6千多万。 第一次成功采用了relu激活函数，相对于sigmoid，relu能有效防止梯度弥散问题，并且很好地增加了非线性。其归一化层norm后来证实并没有很大的作用，后来的模型一般没有在用。 在全连接层采用了dropout，防止过拟合 vgg vgg-16，一共有16层，与Alexne...
alexnet vgg googlenet resnet
03-16
AlexNet、VGG、GoogLeNet和ResNet都是深度学习中的经典卷积神经网络模型。 AlexNet是2012年ImageNet大规模视觉识别竞赛的冠军，它采用了多层卷积和池化层，以及Dropout等技术，使得模型具有更好的泛化能力。 VGG是由牛津大学的研究团队提出的，它采用了更深的网络结构，即16层或19层，使得模型具有更强的表达能力和更好的性能。 GoogLeNet是由Google研究团队提出的，它采用了Inception模块，使得模型具有更高的计算效率和更好的性能。 ResNet是由微软研究团队提出的，它采用了残差学习的思想，使得模型可以更深，同时避免了梯度消失的问题，使得模型具有更好的性能。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

十二月的猫

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值