卷积神经网络各种经典模型--上篇

LeNet

LeNet全名LeNet-5，是由Yann LeCun、Leon Bottou、Yoshua Bengio和Patrick Haffner于1998年设计的卷积神经网络（CNN）架构。它是最早的CNN架构之一，旨在进行手写数字识别。

LeNet包含七个层，包括三个卷积层和两个子采样（池化）层。该网络的输入是数字图像，输出是对该数字的分类预测。在训练过程中，LeNet使用反向传播算法来调整网络中的参数，以最小化分类误差。

LeNet的设计对现代深度学习技术有着深远的影响，奠定了卷积神经网络在图像处理领域的基础。

LeNet沐神视频链接：https://www.bilibili.com/video/BV1t44y1r7ct/

AlexNet

AlexNet是一种经典的卷积神经网络模型，由Alex Krizhevsky、Ilya Sutskever和Geoffrey Hinton于2012年提出，用于在ImageNet图像识别挑战赛上取得显著的胜利。AlexNet模型是一个深层卷积神经网络，包含了8个卷积层和3个全连接层。
在AlexNet中，使用了一些创新性的技术，例如使用ReLU作为激活函数，使用Dropout来减轻过拟合，使用数据增强来增加数据量，使用GPU加速计算等。此外，AlexNet还采用了局部响应归一化（local response normalization）技术，通过在每个位置上对不同通道的像素值进行归一化，来增加网络的鲁棒性。
AlexNet在ImageNet上的表现超越了之前的所有方法，将Top-5误差率降低到了15.3%，标志着卷积神经网络在计算机视觉领域中的重要突破。AlexNet的成功启发了许多后续的深度学习模型的设计和发展。

AlexNet对比传统机器学习

AlexNet与LeNet对比

AlexNet沐神视频链接：https://www.bilibili.com/video/BV1h54y1L7oe/

VGG

VGG是一种非常经典的卷积神经网络模型，由牛津大学的研究者于2014年提出。它是一种深度的卷积神经网络，其中包含了13至19层卷积层和全连接层，以及ReLU激活函数和池化层。VGG的主要贡献是证明了通过增加网络深度，可以进一步提高图像识别的准确率。
VGG网络的特点是，所有卷积层都采用相同的卷积核尺寸（通常为3x3），并使用很小的步幅（通常为1），这可以使网络更加深层、更加准确。此外，VGG网络还使用了大量的卷积层，这些卷积层有助于提取图像的更多信息，从而提高识别精度。
VGG网络的缺点是，由于网络很深，导致网络的参数数量非常庞大，这也使得VGG网络的训练和计算成本较高。为了解决这个问题，VGG网络的作者采用了一些优化技术，如使用小尺寸的卷积核和批量归一化等。
VGG网络的模型结构和参数已经被广泛应用于各种计算机视觉任务，如图像分类、物体检测、图像分割等。

VGG沐神视频链接：https://www.bilibili.com/video/BV1Ao4y117Pd/