经典CNN图像分类网络汇总_典型cnn网络-优快云博客

本文链接：https://blog.youkuaiyun.com/Chen_Swan/article/details/105433700

本文详述了卷积神经网络的基础和优势，包括LeNet-5、AlexNet、VGG、GoogLeNet及ResNet等经典模型。LeNet-5用于手写字符识别，AlexNet引入ReLU激活和Dropout，VGG通过加深网络提升性能，GoogLeNet提出Inception结构减少参数，ResNet解决了深度网络的退化问题。这些模型推动了深度学习在图像识别领域的进展。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

本文将大致介绍经典的卷积神经网络。包含LeNet5、AlexNet、VGG、GoogLeNet、

卷积神经网络概述：

相比于传统特征提取方法，卷积不需要人工进行特征提取。受启发于生物神经元，激活函数用于仿真，当生物电信号超过了某一阈值，就被传递给下一个神经元；损失函数用于指导网络学习到被期望学习的东西。

CNN的优点：（1）局部连接。每个神经元只和前一层部分神经元连接，这可以加快网络收敛和减少参数。这个优点是和全连接网络比较的，全连接层一般会拥有大量的参数，这会使模型过于庞大、优化速度慢、计算量大、过拟合等。（2）权重共享。一组连接可以共享相同的权重。实际上卷积也存在着权重共享，比如使用一个卷积核对前一层的n个通道进行卷积计算，这相当于是通道共享和图共享了卷积。（3）下采样减少维度。池化层通过提取某个区域内最重要的信息（最大值或平均值）来减少数据量。

CNN的主要结构：

（1）输入层。CNN的输入一般是二维向量，可以有高度，比如，RGB图像。
（2）卷积层。卷积层是CNN的核心，层的参数由一组可学习的滤波器（filter）或内核（kernels）组成，它们具有小的感受野，延伸到输入容积的整个深度。卷积层的作用是对输入层进行卷积，提取更高层次的特征。
（3）池化层。池化层（又称为下采样），它的作用是减小数据处理量同时保留有用信息，池化层的作用可以