Dandelion_2的博客

ResNetResNet（Residual Neural Network）由微软研究院的Kaiming He等4名华人提出，通过使用Residual Unit成功训练152层深的神经网络，在ILSVRC 2015比赛中获得了冠军，取得3.57%的top-5错误率，同时参数量却比VGGNet低，效果非常突出。ResNet的结构可以极快地加速超深神经网络的训练，模型的准确率也有非常大的提升。ResNet最初的灵感出自这个问题：在不断加神经网络的深度时，会出现一个Degradation的问题，即准确率会先上

VGGNet创新点VGGNet是牛津大学计算机视觉组（Visual Geometry Group）和Google DeepMind公司的研究员一起研发的的深度卷积神经网络。VGGNet探索了卷积神经网络的深度与其性能之间的关系，通过反复堆叠33的小型卷积核和22的最大池化层，VGGNet成功地构筑了16~19层深的卷积神经网络。VGGNet相比之前state-of-the-art的网络结构，错误率大幅下降，并取得了ILSVRC 2014比赛分类项目的第2名和定位项目的第1名。VGGNet论文中全部使用了

AlexNet技术特点概要AlexNet是现代深度CNN的奠基之作。2012年，Hinton的学生Alex Krizhevsky提出了深度卷积神经网络模型AlexNet，它可以算是LeNet的一种更深更宽的版本。AlexNet中包含了几个比较新的技术点，也首次在CNN中成功应用了ReLU、Dropout和LRN等Trick。同时AlexNet也使用了GPU进行运算加速，作者开源了他们在GPU上训练卷积神经网络的CUDA代码。AlexNet包含了6亿3000万个连接，6000万个参数和65万个神经元，拥

采用猴子数据集：一共10个类代码如下import tensorflow as tfimport pathlibimport randompath = './monkey/training/training'data_path = pathlib.Path(path)all_images_path = list(data_path.glob('*/*'))all_images_path = [str(path) for path in all_images_path] # 所有图片路径名

关于Lenet的理论方面，请参考：https://cuijiahua.com/blog/2018/01/dl_3.html本专栏所采用的数据集为猴子数据集，数据集获取：https://pan.baidu.com/s/1p1lG_AhsrMVu7N3BEm6YQw提取码：hqjp# 导入相应的库# 导入相应的库from tensorflow.keras.preprocessing.image import ImageDataGeneratorimport matplotlib.pyplot as