【神經網路】VGG、ResNet、GoogleLeNet、AlexNet等常用網路程式碼及預訓練模型
常用資料集：
模型們在ImageNet競賽上的top-5錯誤率概況：
常用預訓練模型池：
AlexNet資訊如上圖
- 在當時第一次使用了ReLU
- 使用了Norm層（在當時還不廣泛）
- 訓練資料量增大
- dropout 0.5
- 每批資料大小 128
- 優化方式：隨機梯度下降+Momentum 0.9
- 學習率為0.01。每次損失到達瓶頸時除以10
- L2 正則 引數為5e-4
VGG：
VGG是最符合典型CNN的一種網路，它在AlexNet的基礎上加深了網路，以達到更好的效果。
（以下引用http://blog.csdn.net/u012767526/article/details/51442367#vggnet分析）
這裡有兩個表格，其中第一個表格是描述的是VGGNet的誕生過程。為了解決初始化（權重初始化）等問題，VGG採用的是一種Pre-training的方式，這種方式在經典的神經網路中經常見得到，就是先訓練一部分小網路，然後再確保這部分網路穩定之後，再在這基礎上逐漸加深。表1從左到右體現的就是這個過程，並且當網路處於D階段的時候，效果是最優的，因此D階段的網路也就是最後的VGGNet啦！
ResNet：
ResNet-1001在CIFAR-10上的表現
| mini-batch | CIFAR-10 test error (%): (median (mean+/-std)) |
|---|---|
| 128 (as in [a]) | 4.92 (4.89+/-0.14) |
| 64 (as in this code) | 4.62 (4.69+/-0.20) |
正常的網路是生成一個關於輸入的函式，而ResNet生成的是一個對於輸入的一個修飾：H(x) = F(x)+x。即神經網路生成的結果還要加上輸入，才是最終輸出。
訓練引數如上圖：
- 每一個Conv層後面都會有Batch Normalization層。
- 權重初始化方式：Xavier/2
- optimization方式：隨機梯度下降+Momentum（0.9）
- 學習率：0.1，每一次錯誤率達到瓶頸時除以10，直到錯誤率無法再優化為止。
- Mini-batch（每批訓練資料） 大小為256
- Weight 衰減1e-5（？）
- 不需要dropout