深度神经网络经典模型介绍

经典模型的特点介绍
VGG,GoogleNet,ResNet,Inception-ResNet-v2

1． VGG模型
VGG又分为VGG16和VGG19， 分别在AlexNet的基础上将层数增加到16和19层， 它除了在识别方面很优秀之外， 对图像的目标检测也有很好的识别效果， 是目标检测领域的较早期模型。

2． GoogLeNet模型
GoogLeNet除了层数加深到22层以外， 主要的创新在于它的Inception， 这是一种网中网（Network In Network） 的结构， 即原来的节点也是一个网络。 用了Inception之后整个网络结构的宽度和深度都可扩大， 能够带来2到3倍的性能提升。

3． ResNet模型
ResNet直接将深度拉到了152层， 其主要的创新在于残差网络， 其实这个网络的提出本质上是要解决层次比较深时无法训练的问题。 这种借鉴了Highway Network思想的网络， 相当于旁边专门开个通道使得输入可以直达输出， 而优化的目标由原来的拟合输出H（x） 变成输出和输入的差H（x） -x， 其中H（x） 是某一层原始的期望映射输出， x是输入。

4． Inception-ResNet-v2模型
Inception-ResNet-v2： 是目前比较新的经典模型， 将深度和宽带融合到一起， 在当下ILSVRC图像分类基准测试中实现了最好的成绩， 是将Inception v3与ResNet结合而成的。接下来主要对当前比较前沿的GoogLeNet、 ResNet、 Inception-ResNet-v2几种网络结构进行详细介绍。

GoogLeNet模型介绍
前面已经介绍过GoogLeNet， 其中最核心的亮点就是它的Inception， GoogLeNet网络最大的特点就是去除了最后的全连接层， 用全局平均池化层（即使用与图片尺寸相同的过滤器来做平均池化） 来取代它。
这么做的原因是： 在以往的AlexNet和VGGNet网络中， 全连接层几乎占据90%的参数量， 占用了过多的运算量内存使用率， 而且还会引起过拟合。
GoogLeNet的做法是去除全连接层， 使得模型训练更快并且减轻了过拟合。