CNN（Convolutional Neural Networks）学习总结

最新推荐文章于 2025-07-08 16:16:53 发布

原创

最新推荐文章于 2025-07-08 16:16:53 发布 · 2.6k 阅读

11 ·

CC 4.0 BY-SA版权

文章标签：

#cnn

本文是对卷积神经网络（CNN）的学习总结，从经典的LeNet-5到现代的AlexNet、VGG和GoogLeNet，探讨CNN的重要论文及其贡献。介绍了CNN的基本结构，包括卷积层、池化层、全连接层和Dropout层，并解释了各层的作用和工作原理。此外，还提到了训练CNN时常用的学习算法和损失函数选择。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

刚开始学习cnn，把前段时间看cnn相关的内容，今天稍微的总结下。在文章中差漏的地方，还望见谅。权当做交流。

文章开头先推荐一个网址：
https://github.com/BVLC/caffe/wiki/Model-Zoo
罗列了主流会议，近年来cnn上的相关进展和各种model，感兴趣的可以拿来阅读一番。

Cnn几篇重要的论文

**
Lenet-5 ：Yann LeCun等在1998年发布的论文”Gradient-based learning applied to document recognition（Yan）” 不过当时并没有流行开来。

Alexnet：真正将cnn流行开来的是，Alex Krizhevsky等人在2012年发布的论文：Imagenet classification with deep convolutional neural networks. 在imagenet比赛上，将Top5错误率由26%大幅降低至15%。

VGG：基于alexnet，牛津大学 visual geometry group（VGG）Karen Simonyan 和Andrew Zisserman 于14年撰写的论文” Very Deep Convolutional Networks for Large-Scale Image Recognition”，主要探讨了深度对于网络的重要性；并建立了一个19层的深度网络获得了很好的结果；在ILSVRC上定位第一，分类第二。

GoogLeNet：Christian Szegedy等人针对ImageNet2014的比赛，撰写了” Going deeper with convolutions”,该论文中的方法是2014年比赛的第一名，包括task1分类任务和task2检测任务。

此