图像分类之经典卷积神经网络AlexNET、VGG、GoogLeNet、ResNet和DenseNet

最新推荐文章于 2025-05-15 16:52:06 发布

Jiraiya90

最新推荐文章于 2025-05-15 16:52:06 发布

阅读量3.9k

点赞数 2

CC 4.0 BY-SA版权

文章标签：卷积神经网络计算机视觉深度学习

本文链接：https://blog.youkuaiyun.com/qq_39987519/article/details/106991474

本文介绍了卷积神经网络（CNN）的架构模型及其核心思想，包括权值共享、局部连接和平移不变性。接着详细探讨了五个经典的CNN架构：LeNet、AlexNet、VGGNet、GoogLeNet和ResNet，以及它们的特点和优势。每个模型的结构、设计原理和在深度学习历史上的贡献都有所阐述。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

1、CNN的架构模型

CNN是一种前馈网络，即信息流从输入到输出都是单向的。正如人工神经网络(ANN)是受生物学启发的，CNN也是。大脑的视觉皮层由简单细胞和复杂细胞交替组成(Hubel & Wiesel, 1959, 1962)，这激发了他们对CNN架构的设计。CNN的架构有多种变体，通常，它们由卷积层和池化层(subsampling)组成，这些层被分组成模块。在前馈网络中，最后会连接一层或多层全连接层。这些模块通常堆叠在一起，形成一个深层模型。
在这里插入图片描述
图像直接输入到CNN网络中，接下来是几个阶段的卷积和池化，然后，经过一层或多层全连接层的特征表示，最后，经过一个完全连接层输出类标签。

从科学技术发展角度看，CNN经典框架的发现深受生物神经科学的发展，通过这篇博文《CNN简史》，我们会发现，现代人工神经网络受生物研究的影响可能比我们想象中的还要大。从中可以得到CNN的三个重要思想：a、权值共享 ; b、局部连接（也叫稀疏连接） ; c、平移不变性和等变性
1.1、权值共享
在这里插入图片描述
特性：使用卷积核的权重系数进行