Very deep convolutional networks for large-scale image recognition

这篇主要探索深度对CNN的影响，从这篇的结果16-19层对大规模图像分类的效果具有更好的效果以及在2014年googlenet中网络层数达到22层，甚至于可以实现更多层的这种CNN结构，目前对CNN的研究趋势似乎是朝更深的方向发展，同时这种堆叠特征的策略也给我们一些启示。

但是 对于层数越深效果可能实现不明显的提升，其花费的代价也会提升，如何达到这其中平衡，这也是一件值得思考的事。

结论：A与A-LRN比较，加上LRN不会增加准确率；

A（11层）到D（16层）深度越深，准确率越高。但增加到19层（E）不会提高；

C与D比较，相同深度，C包括1*1的卷积层而D全是3*3，C比D准确率要低。C与B比较，虽然深度更深，但是增加的是用于增加非线性特征的1*1层。说明，额外增加的非线性特征确实增加了准确率，但是选取适当数量有意义的卷积层也很重要，所以D强于C；

384*N的最后效果比256*N的略好。可能是其训练数据更多一些。