深度学习常用CNN Model总结(alex \googlenet\等)

原文：http://blog.csdn.net/qq_17448289/article/details/52850223

【数据库】FaceDataset常用的人脸数据库

http://blog.csdn.NET//chenriwei2/article/details/50631212

肤色检测&人脸检测数据集等链接大集合（持续更新中...）

http://blog.csdn.Net/wangkr111/article/details/44514097

图像数据库

http://blog.leanote.com/post/wjgaas@126.com/%E5%9B%BE%E5%83%8F%E6%95%B0%E6%8D%AE%E5%BA%93

一、Data Set数据集（常用）

PASCAL VOC包括物体的类别标签和位置标签，一万图像，20类。

ImageNet有22K种共15M张高分辨率带标签图像，图像全被收集于网络，人工标记。

二、CNN Model

1、   LetNet网络模型（数字识别，2个卷积层，2个池化层，2个全连接层）

其中：C表示卷积层，S表示池化层，F表示全连接层，下标意为图像大小

卷积层：卷积核大小为5*5，步长stride=1

池化层：max pooling，采样2*2，步长stride=2

2、AlexNet网络模型（引入GPU，增加特殊层（LRN层），比LetNet更深，用多层小卷积层叠加替换单大卷积层）

3、ZF网络模型

4、VGG网络模型（版本多，连续conv层多，计算量巨大）

每次卷积都包含3个卷积层

5、GoogleNet网络模型（用更多的卷积，更深的层次可以得到更好的结构）