Le-Net、AlexNet、VggNet、googlenet、Resnet的发展与区别

最新推荐文章于 2024-08-03 16:01:11 发布
最新推荐文章于 2024-08-03 16:01:11 发布
阅读量1.9k 收藏 7
点赞数
分类专栏： 机器学习 ｄｅｅｐ　ｌｅａｒｎｉｎｇ 文章标签： 深度学习 人工智能
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/pingguolou/article/details/126413829
版权
本文介绍了深度学习中的几个里程碑模型，包括Le-Net、AlexNet、VggNet、GoogLeNet和ResNet。AlexNet通过数据增强、ReLU激活、GPU训练等解决了Le-Net在大图识别上的问题；VggNet通过堆叠小尺寸卷积层加深网络；GoogLeNet引入Inception结构降低计算复杂度；ResNet利用残差连接实现更深的网络结构，有效解决了梯度消失问题。
摘要由CSDN通过智能技术生成

Le-Net

Lenet也称Lenet-5，共5个隐藏层(不考虑磁化层),网络结构为：

 

  • Conv(5*5,6,1)+Conv(5*5,16,1)+Conv(5*5,120,1)+FC(84)+FC(10)
  • 或Conv(5*5,6,1)+Conv(5*5,16)+FC(120)+FC(84)+FC(10)

AlexNet

提出背景：解决Lenet识别大尺寸图片进行的效果不尽人意的问题

与LeNet相比，AlexNet具有更深的网络结构，共8个隐藏层，包含5层卷积和3层全连接,网络结构为：

 

  • Conv(11*11,96,2)&#
最低0.47元/天 解锁文章
appron
关注
专栏目录
Python视觉深度学习系列教程 第二卷 第10章 GoogLeNet
学以致用 知行合一
12-16 3127
在本章中，我们将研究GoogLeNet 架构。 首先，与 AlexNet 和 VGGNet 相比，模型架构很小（权重本身为约28MB）。作者能够通过移除完全连接的层并使用全局平均池化来实现网络架构大小的显着下降（同时仍然增加整个网络的深度）。CNN 中的大部分权重都可以在密集的 FC 层中找到，如果这些层可以被移除，内存节省是巨大的。 具体来说， Inception 模块是一个适合卷积神经网络的构建块，使其能够学习具有多种过滤器尺寸的 CONV 层，从而将该模块转变为多级特征提取器。
NNDL 实验六 卷积神经网络（5）使用预训练resnet18实现CIFAR-10分类
m0_51799083的博客
11-11 1259
NNDL 实验六 卷积神经网络（5）使用预训练resnet18实现CIFAR-10分类
CS231n lecture 9：各大经典网络 AlexNet/VGG/GoogleNet/ResNet（上）
gdymind的博客
10-13 4047
本篇将深入介绍当前的应用和研究工作中最火的几个CNN网络架构——AlexNet、VGGNet、GoogleNet和ResNet，它们都在ImageNet分类任务中有很好的表现。另外，本篇也会粗略介绍一些其他的架构。 LeNet-5回顾 我们先来回顾一下最基本的LeNet，它可以说是首个效果比较好的comNet。它使用了5x5的卷积核，stride为1。池化层卷积核是2x2的，stride为2。最后...
#Deep Learning回顾#之LeNet、AlexNet、GoogLeNet、VGG、ResNet
我爱机器学习
08-30 2522
Deep Learning一路走来，大家也慢慢意识到模型本身结构是Deep Learning研究的重中之重，而本文回顾的LeNet、AlexNet、GoogLeNet、VGG、ResNet又是经典中的经典。
手撕深度学习：经典CNN网络结构理解汇总Lenet、Alexnet、VGG、Googlenet、Resnet
最新发布
Nathan0921的博客
08-03 1502
这些网络在深度学习的发展过程中起到了至关重要的作用，它们的设计思想和创新点为后续的研究和应用提供了宝贵的经验和灵感。也算是对卷积神经网络的一个小总结了，对网络的单一手撕感觉在2024年这个时间节点已经没有必要了，寻求统一的方式对过往经典卷积神经网络进行汇总说明是快速进入下一阶段内容学习的小技巧。通过理解和掌握这五种经典的卷积神经网络结构，我们可以深入了解卷积神经网络的发展历程和设计思路，为后续的深度学习研究和应用奠定坚实的基础。在这一章节，我们将详细的给出五种模型的网络结构，以方便通用调用来实现模型训练。
【AI面试题】AlexNet、VGGNet、GoogLeNet，ResNet等网络之间的区别是什么
Roaddd的博客
02-28 2169
       AlexNet： AlexNet相比传统的CNN，主要改动包括Data Augmentation（数据增强）、Dropout方法，激活函数用ReLU代替了传统的Tanh或者Siigmoid、采用了Local Response Normalization（LRN，实际就是利用临近的像素数据做归一化，（现在基本不用了））、Overlapping Pooling（有重叠，即Pooling的步长比Pooling Kernel的对应边
ResNet，GoogleNet的基本架构，与VGGNet，AlexNet等网络的对比和创新点。
小星星专栏
12-09 4183
结构：        GoogleNet提出了一种Inception结构，如上右图，从上一层到下一层的时候，分出四块，每块具有不同的卷积核，然后汇合在下面，使用了一个concrete层。好处在于，采用不同大小的卷积核意味着不同大小的感受野，最后拼接意味着不同尺度特征的融合。之所以卷积核大小采用1、3、5，主要是为了方便对齐。设定卷积步长stride=1之后，只要分别设定pad=0、1、2，那么...
典型卷积神经网络算法（AlexNet、VGG、GoogLeNet、ResNet）
liuyingshudian的博客
08-12 4367
典型卷积神经网络
经典卷积神经网络模型—AlexNet，VGG，GoogLeNet
01-20
AlexNet 特征 8层变换，其中有5层卷积和2层全连接隐藏层，以及1个全连接输出层。 将sigmoid激活函数改成了更加简单的ReLU激活函数。 用Dropout来控制全连接层的模型复杂度。 引入数据增强，如翻转、裁剪和颜色变化，...
深度学习分类网络解析：从Le-net到ResNet
GoogLeNet（Inception V1-V3）则是以更高效的方式构建深层网络，通过并行的卷积块（不同大小的卷积核和池化操作）来捕获不同尺度的特征。 ResNet（残差网络）由Kaiming He等人提出，解决了深度网络中的梯度消失问题...
【经典神经网络】-AlexNet/VGG/GoogLeNet/ResNet
qq_43243022的博客
03-03 826
1 AlexNet(2012,ImageNet冠军，CNN用于图像分类的开山之作） 结构：5 卷积层+3个全连接层（卷积核size:11,5,3） 特点： ReLU 激活函数 （避免了sigmoid的梯度消失-反向传播的时候会连乘sigmoid的导数，初始值很大的话导数接近于0，导致前层网络梯度越来越小；计算量减小，加快了训练速度） LRN（Local Response Norma...
现流行的AlexNet,VGGNet,GoogleNet,SENet,ResNet等11篇经典卷积神经网络
05-17
现流行的AlexNet,VGGNet,GoogleNet,SENet,ResNet等11篇经典卷积神经网络
RESNET、GOOGLENET等Python代码实现
07-19
懒得描述了，ResNet,GoogleNet等网络结构的Python实现，很好的资源
CNN模型简单介绍(LeNet,AlexNet,VGG,GoogLeNet,ResNet,GAN,R-CNN)
01-16
CNN模型简单介绍,按照提出时间依次介绍LeNet,AlexNet,VGG,GoogLeNet,ResNet,GAN,R-CNN。十几页的ppt，主要介绍各个模型的核心思想、贡献，希望能为大家提供一条清晰的CNN发展脉络。具体的算法实现等需要阅读文章代码。相关文章会作为另一个资源提供免费打包下载。
经典的卷积神经网络（AlexNet、VGGNet、GoogLeNet、ResNet）
weixin_38324954的博客
07-25 1034
经典的卷积神经网络 1.经典CNN——AlexNet 2012年ImageNet LSVRC（大规模视觉识别挑战赛）冠军。TOP-5错误率15,。3%，远低于第二名的错误率（26.2%）；TOP-1错误率37.5% 网络结构： AlexNet 该模型一共分为八层，5个卷积层,，以及3个全连接层,在每一个卷积层中包含了激励函数RELU以及局部响应归一化（LRN）处理，然后再经过降采样（pool处...
现代神经网络总结(AlexNet VGG GoogleNet ResNet的区别与改进)
XXxia1XX的博客
04-28 1047
1.VGG，NIN，GoogleNet的块结构图对比(注意:无AlexNet)->神经网络越深,越复杂总能改进精度吗?在上面三层神经网络之后得到的疑惑。这些块带来的区别与细节。
【PyTorch基础教程13】GoogleNet和ResNet（学不会来打我啊）
发现问题，并解决问题，批判性思维
10-21 3656
学习心得 文章目录学习心得零、简单回顾一、GoogleNet二、1×1卷积核三、学习路线Reference 零、简单回顾 上节课主要讲了CNN的架构（LetNet5）： 一、GoogleNet 减少代码冗余：函数or类。从下图的GoogleNet可以看出 二、1×1卷积核 作用 三、学习路线 （1）理论，看花书《深度学习》 （2）通读一遍PyTorch官方文档 （3）复现经典工作（读代码和写代码交叉进行），注意去github下别人论文代码跑通没啥用，要自己复现，不会的再去看别人的代码 （4）扩充视野。
卷积网络 经典模型（二）GoogLeNet和ResNet
qq_39809262的博客
06-01 3075
经典网络（二） 文章目录经典网络（二）4. GoogLeNet (Inception)5.ResNet退化问题残差网络的解决办法我们该如何选择网络？ 4. GoogLeNet (Inception) Google Christian Szegedy 论文 - 使用1×1卷积块（NiN）来减少特征数量，这通常被称为“瓶颈”，可以减少深层神经网络的计算负担。 - 每个池化层之前，增加 feature maps，增加每一层的宽度来增多特征的组合性 googlenet最大的特点就是包含若干个inception模块，
LeNet、AlexNet、VGG、GoogleNet、ResNet经典网络总结
weixin_45979619的博客
03-09 2090
Inception就是把多个卷积或池化操作，放在一起组装成一个网络模块，设计神经网络时以模块为单位去组装整个网络结构。模块如下图所示在未使用这种方式的网络里，我们一层往往只使用一种操作，比如卷积或者池化，而且卷积操作的卷积核尺寸也是固定大小的。但是，在实际情况下，在不同尺度的图片里，需要不同大小的卷积核，这样才能使性能最好，或者或，对于同一张图片，不同尺寸的卷积核的表现效果是不一样的，因为他们的感受野不同。
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
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