1998， Yann LeCun 的 LeNet5

圖像特征分布在整個圖像上
在具有很少參數的多個位置上提取類似特征時，具有可學習的參數的卷積是個比較有效的方法
在沒有應用GPU的時候，能夠保存參數和計算就成了一個關鍵優勢
LeNet5並沒有把每個像素都作為大型多層神經網絡的一個輸入，因為圖像是高度空間相關的，如果用了這種方法，就不能很好地利用相關性

LeNet5 的主要特征：

• CNN 主要用這3層的序列： convolution, pooling, non-linearity
• 用卷積提取空間特征
• 由空間平均得到子樣本
• 用 tanh 或 sigmoid 得到非線性
• 用 multi-layer neural network（MLP）作為最終分類器
• 層層之間用稀疏的連接矩陣，以避免大的計算成本

2010， Dan Claudiu Ciresan and Jurgen Schmidhuber 的 Dan Ciresan Net

是比較早的GPU神經網絡之一，在NVIDIA GTX 280圖形處理器上實現了9層神經網絡的前向後向計算。

2012，Alex Krizhevsky 的 AlexNet

是LeNet的一個更深和更廣的版本，可以用來學習更復雜的對象

AlexNet 的主要特征：

• 用rectified linear units（ReLU）得到非線性
• 使用輟 dropout 技巧在訓練期間有選擇性地忽略單個神經元，來減緩模型的過擬合
• 重疊最大池，避免平均池的平均效果
• 使用GPU NVIDIA GTX 580可以減少訓練時間，這比用CPU處理快了10倍，所以可以被用於更大的數據集和圖像上

2013年12月，Yann LeCun的紐約大學實驗室的 OverFeat

是AlexNet的衍生，提出了 learning bounding boxes

2015，牛津的 VGG

率先在每個卷積層中使用更小的 3×3 filters，並將它們組合成卷積序列
雖然小，但是多個3×3卷積序列可以模擬更大的接收場的效果
這個想法也在最近的Inception和ResNet網絡中有所應用

2014，Min Lin, Qiang Chen, Shuicheng Yan 的 NiN

• 它的思想很簡單但是很有效，使用1x1卷積給一個卷積層的特征提供了更多的組合性
• 每個卷積之後使用空間MLP層，以便在另一層之前更好地組合特征，而沒有使用原始像素作為下一層的輸入
• 可以有效地使用非常少的參數，在這些特征的所有像素之間共享

2014，Google Christian Szegedy 的 GoogLeNet and Inception

• 在昂貴的並行塊之前，使用1×1卷積塊（NiN）來減少特征數量，這通常被稱為“瓶頸”，可以減少深層神經網絡的計算負擔
• 它用一個沒有 inception modules 的 stem 作為初始層
• 用類似於NiN的平均池加上softmax分類器

2015年2月，Christian 團隊的 Inception V2，2015年12月，Inception V3

• 在每個池之前，增加 feature maps，構建網絡時，仔細平衡深度和寬度，使流入網絡的信息最大化
• 當深度增加時，特征的數量或層的寬度也有所增加
• 在下一層之前，增加每一層的寬度來增多特征的組合性
• 盡量只使用3x3卷積

2015，Kaiming He, Xiangyu Zhang, Shaoqing Ren, Jian Sun 的 ResNet

這個網絡繞過了2層，可以被看作一個小的分類器，或者一個NiN
這也是第一次訓練了大於100甚至1000層的網絡
在每一層，通過使用更小output的1x1卷積來減少特征的數量，然後經過一個3x3 層，接著又是一個1x1卷積，這個方法可以保持少計算量，同時提供豐富的特征組合

2016，François Chollet 的 Xception

這個網絡和 ResNet and Inception V4 一樣有效，而且用了更簡單優雅的結構
它有36個卷積階段，和ResNet-34相似，不過模型和代碼和ResNet一樣簡單，並且比Inception V4更易理解
這個網絡在 Torch7／Keras / TF 都已經可以應用了

按時間軸簡述九大卷積神經網絡