人工智能作业10
LeNet&MNISTLeNet是由YannLeCun及其合作者于1998年开发的一种具有开创性的卷积神经网络架构。它的设计目的是识别手写数字并执行图像分类任务。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。
AlexNet&CIFARAlexNet是由AlexKrizhevsky，IlyaSutskever和GeoffreyHinton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是一个包含两个子数据集的图像分类数据库：CIFAR-10和CIFAR-100。尽管AlexNet最初是针对ImageNet数据集开发的，但它的架构和训练方法也可以应用于其他图像分类任务，如CIFAR数据集。
VGGNetVGGNet是一种深度卷积神经网络架构，由OxfordUniversity的VisualGeometryGroup（VGG）团队于2014年开发。VGGNet在当年的ImageNet大规模视觉识别挑战（ILSVRC）中取得了优异成绩，以其简洁的结构和卓越的性能获得了广泛关注。VGGNet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。VGGNet有多个版本，如VGG-16和VGG-19，这些数字代表网络中包含的权重层（卷积层和全连接层）的数量。
GoogLeNet&Inceptionv1GoogLeNet是一种深度卷积神经网络架构，由Google的研究人员于2014年开发。GGoogLeNet的核心创新是引入了一种名为Inception的模块结构，因此GoogLeNet有时也被称为Inceptionv1。Inception模块的主要思想是将多个卷积核大小的卷积层和池化层并行堆叠，从而在不同尺度上捕捉图像特征。具体而言，Inception模块包含1x1、3x3、5x5的卷积层（加入1x1卷积层进行降维以减少计算量）和3x3最大池化层。这些层在同一级别并行操作，然后将它们的输出连接起来，形成一个更丰富的特征表示。
ResNetResNet（ResidualNetwork）是由KaimingHe,XiangyuZhang,ShaoqingRen和JianSun于2015年提出的一种深度卷积神经网络架构。ResNet在2015年的ImageNet大规模视觉识别挑战（ILSVRC）中获得了冠军，同时在分类、定位、检测和分割等任务上取得了前所未有的成绩。ResNet的关键创新是引入残差连接（residualconnections）来解决深度神经网络中的梯度消失和退化问题。