1、ImageNet資料集背景介紹： 如果說Mnist資料集將初學者領進了深度學習領域，那麼Imagenet資料集在深度學習中尤其是計算機視覺領域掀起了巨大的浪潮。ImageNet專案於2007年由斯坦福大學華人教授李飛飛創辦，目標是收集大量帶有標註資訊的圖片資料供計算機視覺模型訓練。ImageNet擁有1500萬張標註過的高清圖片，總共擁有22000類，其中約有100萬張標註了圖片中主要物體的定位邊框。Imagenet資料集是目前深度學習影象領域應用得非常多的一個數據，關於影象分類、定位、檢測等研究工作大多基於此資料集展開。ImageNet國際計算機視覺挑戰賽(ILSVRC)就是基於該資料集子集（120萬張圖片，以及1000類的標註），吸引了中美英等7個國家的25支頂尖人工智慧團隊參賽，該比賽每年舉辦一次。比賽採用top-5和top-1分類錯誤率作為模型效能的評測指標。

    效能解釋：
    top-5是指模型預測一個樣本的結果前五中有預測正確的即為預測正確，否則錯誤。
    top-1是指模型預測一個樣本的最佳的最佳結果正確即為預測正確，否則錯誤。

2、ImageNet專案比賽的網路結構模型演進 自從2010年舉辦以來，各大公司和頂尖的團隊參賽不斷，包括Google、MSRA、DeepMind、港中文等。以下介紹幾種得冠團隊中經典的網路結構模型:AlexNet、VGGNet、Google Inception Net和ResNet。 1、AlexNet(2012年冠軍) AlexNet的第一作者是Alex，是2012年被髮表的一個金典之作，並在當年取得了ImageNet比賽的最好成績。官方提供的資料顯示準確率達到57.1%,AlexNet, top-5錯誤率16.4%. 網路結構引數：

2、InceptionNet（2014年冠軍） InceptionNet是Google公司發明並建立的，當時還是InceptionV1，並在2014年獲得了ImageNet比賽的冠軍InceptionNet是一個22層神經網路，top-5錯誤率為6.7%。 Inception V1的特點： - 22層，比AlexNet 的 8 層或者 VGGNet 的 19 層還要更深； - 全域性平均池化層（將圖片尺寸變為1×11×1）取代全連線層； - 小卷積核（1*1，3*3，5*5）,最大池化層（3*3）

3、VGGnet（2014年亞軍） VGGNet由牛津大學的視覺幾何組（Visual Geometry Group）提出，是ILSVRC-2014中定位任務第一名和分類任務第二名。並且證明了使用很小的卷積（3*3），增加網路深度可以有效提升模型的效果，而且VGGNet對其他資料集具有很好的泛化能力。VGGnet有16層和19層兩種。兩種網路除了卷積層層數的差別，其他都不大，並且在準確率上也相差不大.VGG19，在14年的效能表現為top-5錯誤率7.3%。 VGG19網路結構： - 卷積層：16層 - 全連線層：3層 - 連續使用多層小卷積核（3*3*M） ResNet（2015年冠軍） ResNet在2015年被提出，主要是針對層數越深，訓練集準確率反而出現下降的情況提出的深度殘差網路，並在ImageNet比賽classification任務上獲得第一名，因為它“簡單與實用”並存，之後很多方法都建立在ResNet50或者ResNet101的基礎上完成的，檢測，分割，識別等領域都紛紛使用ResNet，Alpha zero也使用了ResNet，所以可見ResNet確實很好用。 ResNet的top-5錯誤率為3.57%。 ResNet的結構特點： - 152層 - 層之間用到了ShortCutting，減少了訓練的難度。

在ImageNet影象識別專案中，幾乎所有網路結構都是基於卷積神經網路的改進，改進方向一般是網路的深度（也就是卷積層的個數）、卷積核的個數，卷積核的大小，啟用函式以及各層之間的連線方式（跳層連線）等等。在機器視覺的領域基本離不開卷積神經網路，並且隨著語音識別的，自然語言的發展，卷積神經網路也在序列處理當中發揮了很強的特徵提取的功能。。關於卷積神經網路的原理將在下一篇部落格詳細介紹。