转载：经典的几个卷积神经网络（基本网络）

AlexNet：

（ 2012 ILSVRC top 5 test error rate of 15.4%）

第一个成功展现出卷积神经网络潜力的网络结构。

关键点：

• 通过大量的数据与长时间的训练得到最后的模型，结果十分显著（拿到2012分类第一）
• 使用两块GPU，分两组进行卷积。
• 自从Alexnet之后，卷积神经网络开始迅速发展

VGGnet：

（ILSVRC 2014 7.3% error rate）

自Alexnet开始，神经网络便渐渐流行起来，开始各种尝试，最经典的是VGGnet 
 
 
关键点：

• 使用了3x3的filter取代了5x5和7x7，在实测中展示了两个3x3与5x5相比有更好的效果并且参数更少
• 随着网络的深入，层数逐渐增大
• 可以注意到后一个卷积核层数是前一个的两倍，也是降低空间维度，增加深度
• 此网络在分类和定位的任务上都能有很好的变现。
• 训练时使用了数据增强方法
• 这个网络说明了深层的卷积神经网络有十分好的表现

GoogleNet：

（ILSVRC 2014 top 5 error rate of 6.7%）

神经网络除了纵向的扩展，是否能进行横向的拓展？所以出现了第一个使用相叠加的方式的卷积的网络结构，即可以横向扩展。 
在传统的转换网络中，每个层从前一层提取信息，以便将输入数据变换成更有用的表示。然而，每个层类型提取不同种类的信息。5x5卷积核的输出告诉我们与3x3卷积核的输出不同的东西，这告诉我们与最大池内核的输出不同，等等。在任何给定的层面，我们如何知道什么转换提供了最有用的信息？ 
为什么不让模型选择？ 
于是Inception将1x1, 3x3, 5x5, max-pool结合起来，让网络选择

Inception模块：

 
整个网络： 

这种模块的意义是，你可能不清楚用一个小的感受野效果好还是大的感受野效果好，可以把这些放一起来评判 
关键点： 
- 横向扩展 
- 使用了1x1的filter，可以很方便的改变卷积结果的层数（1x1的filter也被称为bottleneck）

Xception：

Xception基于Inception做的新网络 
作者提出一个假设：channel与空间的相关性是完全不相关的，所以最好不要共同映射它们 
所以在Xception中采用了“深层可分离卷积”操作，首先每个channel做空间卷积，然后再一起做1x1卷积合在一起。 
其效果与Inception v3相比较优，并且参数量不大 

Resnet：

（ ILSVRC 2015 3.6%）

简单的通过叠加卷积层的方式来增加网络深度，并不能提高模型效果，甚至还会使模型变得更差，更难训练。（Alexnet只有5个卷积层，） 
因为此时梯度减缓和梯度消失的现象就会变得十分严重，由于梯度反向传播到较早的层，重复乘法可能使梯度无穷大。结果就是，随着网络的深入，其性能饱和甚至开始迅速恶化。 
 
于是为了解决这个问题，MS尝试搭建一个快捷通道(shortcut connections)来传递梯度。 
Resnet并不是第一个使用快捷通道(shortcut connections)，其中还有Highway Network也由相似的想法，不过最终效果Resnet的比较好。

Residual Block：

这个block的目的是，作者认为相比原来的网络，这种残差网络更加容易训练。其中的原因为在Residual Network中，当进行网络的反向传播时，梯度可以更加容易的向前传递，因为这个相加操作，可以更容易的传播梯度。 
当网络结构变深时，普通的网络就会因为网络太深，出现梯度消失的情况，从而难以训练。 

关键点： 
- 前面的网络都不够深，而Resnet有152层 
- 可以使用Residual block训练更加深层的网络

ResNeXt：

ResNeX是Resnet的改版，比Resnet更加有效 

上述三种网络等价（equivalent）

ResNeXt是现在物体识别里 state-of-the-art ，其结合了Inception和Resnet的思想。其宽度十分宽，达到32个层，在论文中也说明，宽度的增加能够给模型更好的效果。与Inception相比，Inception中每个路径彼此不同（1x1, 3x3, 5x5的卷积），而ResNeXt中所有的路径相同，作者还提出了一个参数叫做cardinality——独立路径的数量（上述为32条路径），

DenseNet：Densely Connected CNN

在densenet之前其实就有其他的网络进行更多的跨层连接的尝试，但是densenet更加粗暴，直接将所有的模块连接起来

Dense Block

 

Densenet与Resnet比较： 
 
从图中可以看出，其效果较Resnet稍好，而且参数量下降许多，但densenet在训练时会消耗更多的内存，不过对于densenet消耗内存较多的问题已经有一些改进方法。

关键点： 
- 组块内全连接 
- 参数与Resnet比更少，但训练需要更多内存

Reference：

https://medium.com/towards-data-science/an-overview-of-resnet-and-its-variants-5281e2f56035 
https://adeshpande3.github.io/adeshpande3.github.io/The-9-Deep-Learning-Papers-You-Need-To-Know-About.html 
https://medium.com/towards-data-science/an-intuitive-guide-to-deep-network-architectures-65fdc477db41