AI作业10

1. LeNet & MNIST

LeNet是一种卷积神经网络结构，最初由Yann LeCun等人在1998年提出。它是一种用于图像识别和分类的深度学习模型。LeNet主要由两个部分组成：卷积层和全连接层。

MNIST是一个手写数字数据集，包含60,000张训练图像和10,000张测试图像。这些图像都是28x28像素的灰度图像。MNIST数据集是深度学习领域中非常流行的基准数据集之一，用于测试各种图像分类算法的性能。

2. AlexNet & CIFAR

AlexNet是一种深度卷积神经网络，由Alex Krizhevsky、Ilya Sutskever和Geoffrey E. Hinton在2012年提出。它是第一个在ImageNet大规模图像识别竞赛中取得优异成绩的卷积神经网络，使得深度学习技术迅速普及和发展。

CIFAR数据集含CIFAR-10和CIFAR-100，CIFAR-10是包含10个类别共60000张32x32大小的彩色图像的数据集，其中50000张用作训练，10000张用作测试。该数据集被广泛用于机器学习算法的性能评估和比较。

在训练时，AlexNet使用了一些技巧来避免过拟合，如dropout。这些技巧使得AlexNet在ImageNet竞赛中大幅度领先于其他模型，并推动了深度学习技术的发展。AlexNet包含多个卷积层、池化层、全连接层以及Relu激活函数。

尽管AlexNet是为了处理更大、更复杂的图像而设计的，它同样适用于CIFAR数据集。AlexNet可以在CIFAR数据集上取得很好的性能。

3. VGG Net

VGG Net是一种卷积神经网络，由牛津大学的研究人员于2014年提出。它是一个非常经典的深度卷积神经网络架构，可以用于图像分类、物体检测和语义分割等任务。

VGG Net 的主要特点是网络深度较大，根据层深度，有VGG16或VGG19。网络中使用了小尺寸的3x3卷积核和池化操作来实现卷积和下采样，同时通过堆叠多个卷积层和非线性激活函数来增加网络的深度。VGG Net 在 ImageNet 挑战赛中取得了很好的成绩，并被广泛应用于计算机视觉领域。虽在比赛中获得第二名，但由于它结构简单，应用性强，因此深受喜爱。

4. GoogLeNet & Inception v1

Inception模块引入了1x1卷积层来降低计算复杂度和网络参数量，GoogLeNet是由Google公司开发的一种深层卷积神经网络模型，使用了多个Inception来提高网络的效率和准确性，因此又被称为Inception v1，每个Inception模块由多个并行的卷积层和池化层组成，以允许网络同时学习多个尺度的特征信息。

5. ResNet

ResNet是一种深度神经网络，它的结构是通过残差连接构建的。这些残差连接可以让信息更好地在网络中流动，从而允许我们创建更深的网络，而无需担心梯度消失问题。ResNet已经被广泛应用于计算机视觉任务，如图像分类、目标检测和语义分割。