常见的卷积神经网络列举

经典的卷积神经网络（CNN）在深度学习发展史上具有重要地位，以下是一些里程碑式的模型及其核心贡献：

---

1. LeNet-5（1998）

• 提出者：Yann LeCun
• 特点：
  • 首个成功应用于手写数字识别（MNIST）的CNN。
  • 结构：卷积层 + 池化层（当时用Subsampling） + 全连接层。
  • 使用Tanh激活函数，后续被ReLU取代。
• 意义：奠定了CNN的基本结构。

---

2. AlexNet（2012）

• 提出者：Alex Krizhevsky 等（Geoffrey Hinton团队）
• 特点：
  • 赢得ImageNet竞赛（ILSVRC 2012），top-5错误率大幅降低至15.3%。
  • 引入ReLU激活函数解决梯度消失。
  • 使用Dropout防止过拟合。
  • 首次采用GPU加速训练（双GPU并行）。
• 意义：开启CNN在计算机视觉的黄金时代。

---

3. VGGNet（2014）

• 提出者：牛津大学Visual Geometry Group
• 特点：
  • 核心思想：小卷积核（3×3）堆叠替代大卷积核，减少参数并增强非线性。
  • 常用版本：VGG-16 和 VGG-19（数字代表层数）。
  • 结构规整，易于迁移学习。
• 意义：证明了深度的重要性，设计理念影响后续模型。

---

4. GoogLeNet（Inception v1, 2014）

• 提出者：Google团队
• 特点：
  • 提出Inception模块：并行多尺度卷积（1×1、3×3、5×5）和池化，通过1×1卷积降维。
  • 引入辅助分类器缓解梯度消失。
  • 参数量仅为AlexNet的1/12，效率极高。
• 后续改进：Inception v2/v3（BN、分解卷积）、v4（结合ResNet）。

---

5. ResNet（2015）

• 提出者：何恺明等（Microsoft Research）
• 特点：
  • 残差连接（Residual Block）：解决深层网络梯度消失问题，允许训练超过1000层的网络。
  • 赢得ILSVRC 2015，top-5错误率3.57%（超越人类水平）。
  • 变体：ResNeXt（分组卷积）、DenseNet（密集连接）。
• 意义：成为现代CNN的基础结构。

---

6. 其他重要变体

• MobileNet（2017）：深度可分离卷积，轻量化设计。
• EfficientNet（2019）：复合缩放（深度/宽度/分辨率平衡）。
• SENet（2017）：通道注意力机制（Squeeze-and-Excitation模块）。

---

总结

模型	核心贡献	应用场景
LeNet-5	首个CNN结构	手写数字识别
AlexNet	ReLU/Dropout/GPU训练	大规模图像分类
VGGNet	小卷积核堆叠	迁移学习基础
GoogLeNet	Inception多尺度模块	高效计算
ResNet	残差连接解决深度问题	极深层网络设计

这些模型推动了CNN在图像分类、目标检测（如Faster R-CNN）、语义分割（如U-Net）等任务中的应用。