codeswarrior的博客

https://www.bilibili.com/video/BV1dy4y1K7oM视频博客，讲解视频为原创~如对您有帮助，十分荣幸~若有错误，望批评指正，十分感谢~

https://www.bilibili.com/video/BV1R5411M7wN视频博客，讲解视频为原创~如对您有帮助，十分荣幸~若有错误，望批评指正，十分感谢~

https://www.bilibili.com/video/BV1xf4y1p7Gf视频博客，讲解视频为原创~如对您有帮助，十分荣幸~若有错误，望批评指正，十分感谢~

https://www.bilibili.com/video/BV1Wy4y1473z视频博客，讲解视频为原创~如对您有帮助，十分荣幸~若有错误，望批评指正，十分感谢~

VGG（新手入门，如理解有误感谢指正）论文地址VGG是由牛津大学的Visual Geometry Group组提出的，在LSVRC 2014中获得了亚军，而冠军是GoogLeNet，后面会学习并讲解。本篇论文首次探究了网络的深度对于网络预测精度的影响，发现使用尺寸更小的卷积核和更深的网络可以达到更好的预测精度，我们常听说的VGG-16, VGG-19中16和19就是只网络的深度有16层和19层。整体网络架构网络的输入尺寸依然是224×224224\times224224×224的RGB图像，并且

阅读ZFNet论文（新手入门，如理解有误感谢指正）论文地址ZFNet通常被认为是ILSVRC 2013的冠军，它实际上是对AlexNet的微调，对AlexNet的网络结构进行了细微调整。但是这篇论文另一个重要的贡献是提出了对卷积神经网络中间层可视化的方法。下面我们分别看一下：ZFNet：我们首先只看一下网络结构我们再放一张AlexNet的网络结构做对比ZFNetZFNet outputAlexNetAlexNet output(layer1) 卷积层7×7

阅读AlexNet论文（新手入门，如理解有误感谢指正）论文地址AlexNet是2012年ILSVRC的第一名它的整体框架如图1所示：图1首先整体概括一下AlexNet主要用到的一些技术方法：使用ReLU作为非线性激活函数而非以往的sigmoid或tanh采用了模型并行，将网络按照feature maps的深度一分为二放在两个GPU上训练使用了Local Response Normalization（LRN）局部归一化使用了重叠的池化层防止过拟合采用了数据增强（Data Augment

阅读LeNet论文LeNet原论文地址原论文共分了11个部分，我们所听说的LeNet-5是在Section II第二部分讲解的，其他部分可以自行阅读论文。不算输入层，LeNet-5一共有7层网络