AlexNet基本特点:
relu激活函数;Droupout层;数据增强;
VGG基本特点:
使用连续几个3*3的卷积核代替大卷积核;通过堆积小卷积核优于直接使用大卷积核,原因在于堆积小卷积核增加了模型的非线性表达能力,使得模型拟合能力增强。
验证了增加模型深度可以提高模型性能;堆积小卷积核组合优于一个大卷积核;但消耗更多内存,参数量大。
ResNet基本特点:
用以解决传统模型随着训练次数增加模型精度不增反降的问题。通过引入残差结构,使得原始的输出y变成y-x,构成残差结构residual mapping。这样当模型达到最佳时,residual mapping 会被Push为0,这样相当于模型学习的的是恒等映射,所以模型性能不会随着训练而下降。
Resnet为什么不用droupout?
resnet中引入了BN,相当于自带噪声,具有正则化效果,无需引入droupout。其效果相当。
算法知识点-AlexNet、VGG、ResNet简述
最新推荐文章于 2023-04-15 00:15:00 发布
本文简述了深度学习中的三个重要模型:AlexNet引入了ReLU激活函数、Dropout层及数据增强;VGG通过连续的小卷积核增加模型非线性表达能力,验证了加深模型可以提升性能,但参数量大;ResNet通过残差结构解决深度学习中梯度消失问题,使得模型性能不会随训练下降,由于BN层的存在,ResNet不再需要Dropout。
摘要由CSDN通过智能技术生成