深度学习常用网络

1、分类网络

1）LeNet、AlexNet、VGG、Inception（GoogleNet）

2）Xception（对Inception的优化）

参考：https://blog.csdn.net/lk3030/article/details/84847879

Xception（极致的 Inception）：先进行普通卷积操作，再对1×1 卷积后的每个channel分别进行3×3卷积操作，最后将结果 concat

3）Resnet

4）IGCV2

参考：https://blog.csdn.net/h__ang/article/details/88938364

使用两组卷积核进行特征提取。

2、检测网络

Mask R-CNN、Fast R-CNN、Faster R-CNN、SSD、Yolo

3、端侧网络

MobileNet、ShuffleNet

4、经典网络

1）ResNet

参考：https://www.jianshu.com/p/cd3be2fcc8a3

残差网络，解决了网络深时候的梯度消失问题，从而可以得到更深的网络

残差模型：H(x)=F(x)+x

2）Inception

参考：http://baijiahao.baidu.com/s?id=1601882944953788623&wfr=spider&for=pc

对输入图像并行地执行多个卷积运算或池化操作，并将所有输出结果拼接为一个非常深的特征图。

使用更小更多的卷积核代替大的卷积核，并将多个小卷积核的结果合并。

3）DenseNet

参考：https://blog.csdn.net/dulingtingzi/article/details/79927441

从feature入手，通过对feature的极致利用达到更好的效果和更少的参数。

每一层的输入来自前面所有层的输出。