Person_CT:DenseNet,ResNet,SqueezeNet在同一数据集上的表现及分析

ResNet模型

ResNet核心是通过建立前面层与后面层之间的“短路连接”（shortcuts，skip connection），这有助于训练过程中梯度的反向传播，从而能训练出更深的CNN网络。
ResNet引入残差结构，是为了解决深度网络退化问题，它是在原始网络增加’冗余层‘，‘冗余层’保证输入输出相同。但是不学习恒等映射的参数。学习的是一个0值，用学习残差F(x)=0更新该冗余层的参数来代替学习h(x)=x更新冗余层的参数。解决网络退化。更新节点参数使用h(x)=F(x)+x，这样链式求导不管右边的求导参数有多小，右边始终存在。
Resnet 是前层短路连接给后层，Resnet 处理的是深度的网络可传递问题。深度ResNet的后期各层主要学习基于先前的残留物；

对比Densenet.是全部的密集连接，Densenet重点处理的是每一个DenseBlock内部和模块连接特征问题。

---

DenseNet模型

它的基本思路与ResNet一致，但是它建立的是前面所有层与后面层的密集连接*（dense connection），它的名称也是由此而来。DenseNet的另一大特色是通过特征在channel上的连接来实现特征重用（feature reuse）。这些特点让DenseNet在参数和计算成本更少的情形下实现比ResNet更优的性能
DenseNets的密集连接，后层会包含前层的所有通道。这就涉及到通道问题。DenseNet的密集连接方式需要特征图大小保持一致，它通过DenseBlock+Transition的结构，DenseBlock是包含很多层的模块，每个层的特征图大小相同，层与层之间采用密集连接方式。而Transition模块是连接两个相邻的DenseBlock，并且通过Max Pooling使特征图大小降低。

SqueezeNet模型

大幅降低模型精度的前提下，最大程度的提高运算速度。
SqueezeNet虽然降低了参数，但是它将将采样层后移，这个可能是导致模型效果不太好的原因。

#待加入模型测试图片
DenseNet结果：