深度学习中各个模型简介

模型名称	模型简介
AlexNet	首次在 CNN 中成功的应用了 ReLU, Dropout 和 LRN，并使用 GPU 进行运算加速。
VGG19	在 AlexNet 的基础上使用 3*3 小卷积核，增加网络深度，具有很好的泛化能力。
GoogLeNet	在不增加计算负载的前提下增加了网络的深度和宽度，性能更加优越。
ResNet50	Residual Network，引入了新的残差结构，解决了随着网络加深，准确率下降的问题。
ResNetvd	服务器端应用实用模型。融合多种对 ResNet 改进策略，ResNet50vd的top1准确率达到79.1%，相比标准版本提升2.6%。在V100上预测一张图像的时间3ms左右。进一步采用SSLD蒸馏方案，其top1准确率可以达到82.39%。
Inceptionv4	将 Inception 模块与 Residual Connection 进行结合，通过ResNet的结构极大地加速训练并获得性能的提升。
MobileNetV1	将传统的卷积结构改造成两层卷积结构的网络，在基本不影响准确率的前提下大大减少计算时间，更适合移动端和嵌入式视觉应用。
MobileNetV2	MobileNet结构的微调，直接在 thinner 的 bottleneck层上进行 skip learning 连接以及对 bottleneck layer 不进行 ReLu 非线性处理可取得更好的结果。
MobileNetV3	移动端应用实用模型。MobileNetV3是对MobileNet系列模型的又一次升级，MobileNetV3largex10的top1准确率达到75.3%，在骁龙855上预测一张图像的时间只有19.3ms。进一步采用SSLD蒸馏方案，其top1准确率可以达到79%。
SENet154vd	在ResNeXt基础、上加入了 SE(Sequeeze-and-Excitation) 模块，提高了识别准确率，在 ILSVRC 2017 的分类项目中取得了第一名。
ShuffleNetV2	ECCV2018，轻量级 CNN 网络，在速度和准确度之间做了很好地平衡。在同等复杂度下，比 ShuffleNet 和 MobileNetv2 更准确，更适合移动端以及无人车领域。
efficientNet	同时对模型的分辨率，通道数和深度。进行缩放，用极少的参数就可以达到SOTA的精度。
xception71	对inception-v3的改进，用深度可分离卷积代替普通卷积，降低参数量的同时提高了精度。
dpn107	融合了densenet和resnext的特点。
mobilenetV3smallx10	在v2的基础上增加了se模块，并且使用hard-swish激活函数。在分类、检测、分割等视觉任务上都有不错表现。
DarkNet53	检测框架yolov3使用的backbone，在分类和检测任务上都有不错表现。
DenseNet161	提出了密集连接的网络结构，更加有利于信息流的传递。
ResNeXt152vd64x4d	提出了cardinatity的概念，用于作为模型复杂度的另外一个度量，并依据该概念有效地提升了模型精度。
SqueezeNet11	提出了新的网络架构Fire Module，通过减少参数来进行模型压缩。