超级会员免费看
本文回顾了深度学习中卷积神经网络（CNN）的发展，从LeNet5开始，介绍了AlexNet、GoogLeNet（Inception V1）、VGG等重要架构。每个架构的关键特点和贡献被详细阐述，如AlexNet的ReLU激活函数、VGG的小卷积核策略以及GoogLeNet的Bottleneck层。这些进展推动了CNN在图像识别领域的精度和效率提升。
CNN卷积神经网络架构综述
深度学习算法最近变得越来越流行和越来越有用的算法，然而深度学习或者深度神经网络的成功得益于层出不穷的神经网络模型架构。这篇文章当中作者回顾了从1998年开始，近18年来深度神经网络的架构发展情况。
图中的坐标轴我们可以看出横坐标是操作的复杂度，纵坐标是精度。模型设计一开始的时候模型权重越多模型越大，其精度越高，后来出现了resNet、GoogleNet、Inception等网络架构之后，在取得相同或者更高精度之下，其权重参数不断下降。值得注意的是，并不是意味着横坐标越往右，它的运算时间越大。在这里并没有对时间进行统计，而是对模型参数和网络的精度进行了纵横对比。
其中有几个网络作者觉得是必学非常值得学习和经典的：AlexNet、LeNet、GoogLeNet、VGG-16、NiN。
如果你想了解更多关于深度神经网络的架构及其对应的应用，不妨看一下这篇综述 An Analysis of Deep Neural Network Models for Practical Applications。
订阅专栏 解锁全文
扫一扫
1395
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
