CNN图像分类网络汇总（one）LeNet,AlexNet,ZFNet

本文介绍了卷积神经网络（CNN）的经典模型，包括LeNet-5的特征提取原理，AlexNet的优化技巧如ReLU、Dropout和LRN，以及ZFNet对AlexNet的改进，特别是引入了可视化技术。这些网络在图像分类任务中起到了里程碑式的作用。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

LeNet-5
CNN分类网络开端，用于手写字符识别识别率相当高。
在这里插入图片描述
创建卷积框，设置大小、步长、数量等，对图像进行卷积操作，提取特征的操作，池化降维，全连接分类输出。之后的分类网络都是基于此框架进行的优化。

AlexNet
作为2012年ImageNet分类冠军，把LeNet发扬光大，运用了Relu，Dropout，LRN等trick，并且使用GPU加速。
在这里插入图片描述
使用Relu 对梯度衰减进行加速，并且一定程度的避免过拟合，f=max(0,x)
Ｄｒｏｐｏｕｔ采用部分神经元进行训练，对过拟合有奇效。
在第2,4,5层均是前一层自己GPU内连接，第3层是与前面两层全连接，全连接是2个GPU全连接
LRN局部响应归一化
采用数据增强，随机地从256256的原始图像中截取224224大小的区域（以及水平翻转的镜像），相当于增加了2*(256-224)^2=2048倍的数据量。如果没有数据增强，仅靠原始的数据量，参数众多的CNN会陷入过拟合中，使用了数据增强后可以大大减轻过拟合，提升泛化能力。进行预测时，则是取图片的四个角加中间共5个位置，并进行左右翻转，一共获得10张图片，对他们进行预测并对10次结果求均值。同时，AlexNet论文中提到了会对图像的RGB数据进行PCA处理，并对主成分做一个标准差为0.1的高斯扰动，增加一些噪声，这个Trick可以让错误率再下降1%