经典网络模型

Alexnet

VGG

VGG的启示

VGGNet采用了多次堆叠3x3的卷积核，这样做的目的是减少参数的数量。
例如，2个3x3的卷积核效果相当于1个5x5的卷积核效果，因为它们的感受野（输入图像上映射区域的大小）相同。但2个3x3卷积核的参数个数（18个）却比1个5x5（25个）的卷积核参数个数少。
类似地，3个3x3的卷积核相当于1个7x7的卷积核，而1个7x7的卷积核的参数个数为49，而3个3x3的卷积核的参数个数仅为27。

感受野

ResNet

为了解决深度神经网络存在的问题
· 层数越多，训练效果一定越好吗？
· 如何优化过深的神经网络？
· 如何避免梯度消失和梯度爆炸？

ResNet 即深度残差网络
ResNet使用了一种连接方式叫做“shortcut connection”，顾名思义，shortcut就是“抄近道”的意思
ResNet模型引入残差网络结构，在两层或两层以上的节点两端添加了一条“捷径”，这样一来，原来的输出F(x)就变成了F(x)+x
ResNet通过引入残差结构，我们就可以直接使用传统的反向传播对很深的神经网络进行训练，并且收敛速度快，误差小网络越深，梯度消失的现象就越来越明显，网络的训练效果也不好，这样的问题就称为“退化”
ResNet通过引入残差结构，很好地解决了"退化"问题，退化与过拟合都会使网络预测准确率降低，但两者并不是一回事