自2023年alexnet贏得了imagenet競賽以來，深度學習（神經網路）得到了飛速發展，產生了許多的神經網路結構，本文主要總結caffe中使用的神經網路(分類的神經網路)，本文的神經網路作者都使用caffe訓練過，並在kaggle的intel癌症**比賽中進行了測試與使用（top 8%）。
alexnet，2023年imagenet競賽冠軍，深度學習的里程碑。
squeezenet設計目標不是為了提高識別的準確率，而是希望簡化網路複雜度。squeezenet的模型結構確實很小，沒壓縮的情況下才5m左右，而且識別的精度還可以。
vgg16的網路結構：
vgg16的預訓練模型：
vgg19的網路結構：
vgg19的預訓練模型：
備註：上面的網路結構需要進行細微調整才能在caffe中直接訓練，主要是網路結構中的type型別。
resnet網路，2023年imagenet競賽冠軍，網路結構主要分為resnet-50、resnet-101、resnet-152三種，當然也有一些其它的結構，例如resnet-18，resnet-14。
inception系列是google發明的一系列神經網路結構。
inception-v1：
inception-v1，即大名鼎鼎的googlenet，2023年imagenet競賽冠軍。
inception-v2：
即inception v1 + batch normalization。
inception-v3：
inception-v4：
inception-resnet-v2：
我自己整理的caffe model，senet沒有全部新增到倉庫，densenet沒新增到倉庫。
神經網路結構
定義 在機器學習和認知科學領域，人工神經網路 artificial neural network，縮寫ann 簡稱神經網路 neural network，縮寫nn 或類神經網路，是一 種模仿生物神經網路的結構和功能的計算模型，用於對函式進行估計或近似。神經網路的種類 基礎神經網路 單層感知器，線性神...
卷積神經網路結構
卷積神將網路的計算公式為 n w f 2p s 1 其中n 輸出大小 w 輸入大小 f 卷積核大小 p 填充值的大小 s 步長大小 即與用和原輸入層大小 深度完全一致的卷積核進行卷積，形成11x的全連線層 即展開 其中x由卷積核的層數決定。寫 時也可以直接展開為一維 不改變輸入層的大小，但改變輸入和...
深度學習 神經網路結構
線性可分 線性不可分 判斷一堆資料是否能夠線性可分的關鍵在於所在維度。從線性不可分 線性可分，可採用公升高維度的方式。線性可分和線性不可分的辯證統一思想 在低維空間中資料線性不可分，通過對映到高維空間是線性可分，回到低維空間又是線性不可分的，兩者統一而矛盾。線性不可分 線性可分 同時參考 深度學習領...