CNN進化史

卷積神經網絡（CNN）近年來取得了長足的發展，是深度學習中的一顆耀眼明珠。CNN不只能用來對圖像進行分類，還在圖像分割（目標檢測）任務中有着普遍的應用。CNN已經成爲了圖像分類的黃金標準，一直在不斷的發展和改進。
劉昕博士總結了CNN的演化歷史，以下圖所示：
 
CNN的起點是神經認知機模型，此時已經出現了卷積結構，經典的LeNet誕生於1998年。然而以後CNN的鋒芒開始被SVM等模型蓋過。隨着ReLU、dropout的提出，以及GPU和大數據帶來的歷史機遇，CNN在2012年迎來了歷史突破：AlexNet。隨後幾年，CNN呈現爆發式發展，各類CNN模型涌現出來。
 
CNN的主要演進方向以下：
一、網絡結構加深
二、增強卷積功能
三、從分類到檢測
四、新增功能模塊

下圖是CNN幾個經典模型（AlexNet、VGG、NIN、GoogLeNet、ResNet）的對比圖，可見網絡層次愈來愈深、結構愈來愈複雜，固然模型效果也是愈來愈好：
 
本博客經過一系列的「大話深度學習」文章，全面詳細地介紹了CNN進化史各個階段的里程碑成果。

一、小白講卷積：大話卷積神經網絡（CNN）
 
二、卷積初嘗試：大話CNN經典模型 LeNet
 
三、歷史の突破：大話CNN經典模型 AlexNet
 
四、網絡再加深：大話CNN經典模型VGGNet
 
五、加強卷積功能：大話CNN經典模型GoogLeNet
 
六、從分類到目標檢測：大話目標檢測模型（R-CNN、Fast R-CNN、Faster R-CNN）
 
七、網絡深度創歷史：大話深度殘差網絡（ResNet）

要真正深刻了解學習這些CNN經典模型，最好的辦法是仔細閱讀相應的論文。歡迎關注公衆號「大數據與人工智能Lab」（BigdataAILab），裏面收集整理了CNN各類模型的經典論文

關注本人公衆號「大數據與人工智能Lab」（BigdataAILab），而後回覆「論文」關鍵字可在線閱讀經典論文的內容。