【22-23 春学期】AI作业10-经典卷积网络

1.LeNet & MNIST

 LeNet是一个经典的卷积神经网络模型，最早由Yann LeCun等人在1998年提出，用于手写数字识别任务。它是深度学习中的里程碑之一，为后续的卷积神经网络的发展奠定了基础。

MNIST是一个用于手写数字识别的大型数据库，常被用于训练图像处理系统。LeNet与MNIST的关系在于，LeNet经常被用于MNIST数据集的训练和测试。

2.AlexNet & CIFAR

AlexNet是由Alex Krizhevsky，Ilya Sutskever和Geoffrey Hinton在2012年开发的深度卷积神经网络架构。AlexNet包含多个卷积层、池化层、全连接层和激活函数，并引入了Dropout技术以减少过拟合现象。

CIFAR是一个常用的图像分类数据集，包含了60000张32x32大小的彩色图像，共分为10个类别。CIFAR数据集也被广泛用于验证和比较不同的图像分类算法和模型。

3.VGG Net

VGG Net是由Karen Simonyan和Andrew Zisserman于2014年提出的另一个流行的卷积神经网络架构。它在ImageNet大规模视觉识别挑战赛上取得了出色的性能，并成为各种计算机视觉任务中广泛使用的模型。VGG Net的核心思想是通过使用较小的卷积核（如3x3）和多个连续卷积层来增加网络深度，从而提高模型的表达能力。

4.GoodLeNet & Inception v1

 GoogLeNet，也被称为Inception v1，是由Google团队在2014年提出的一种深度卷积神经网络架构。GoogLeNet的设计思想是通过Inception模块来提高网络的计算效率和表达能力，Inception模块是一种多尺度的卷积结构，它在不同尺度上进行卷积操作，然后将这些卷积结果合并在一起，以获取更丰富和多样化的特征表示。

5.ResNet

 ResNet，全称为残差网络，是由Kaiming He等人在2015年提出的一种深度卷积神经网络架构。

ResNet的关键创新是引入残差连接（residual connections）来解决深度神经网络中的梯度消失和退化问题。