这里将会介绍近年来最火的模型
ResNet 模型-残差神经网络（2014）
ResNet 是因为对神经网络深度的观察，而提出的一个模型。之前人们观察到，为什么非常深度的网络在增加更多层的时候，表现会变差？ 按直觉，越深的网络理应效果更好，或者至少不变差。
假设我们已经构建了一个N层的网络，实现了一定的精度，那么在这个基础上，再建立一层，即N+1层的网络模型，按理说，应该也会有差不多的精度，但是实际上，表现会更差。所以有人提出，这是因为直接映射是难以学习的，即x–>H(x)中会损失很多信息。于是有人提出，不再学习H(x),而是学习x和H(x) 的差异，即残差。我们记为 残差 F(x)=H(x) - x。 为了计算H(x)，直接把F(x)+x 即是H(x)了。所以，我们将不会直接学习H(x)，而是学习F(x)+x。 这就是构建了著名的残差网络模块。
由于输出F(x)和输入X直接相加，如果两者形状不一样则难以相加，那就可以通过使用零填充或投射（通过 1×1 卷积）来得到匹配的大小。
ResNet模型由于连接来前面的网络，所以可以进行很深层的网络，而不用害怕梯度消失的问题。
ResNet模型是通过从根本上改变结果和学习过程来取得很大的改进。其他的研究都是通过对数学、优化和训练过程进行调整而取得稍微的一点点进步，而没有对模型框架进行根本的思考
Inception模型（2015）
Inception模型是构建更宽的网络。这个模型是对层的操作。卷积网络中，每一层都会提取不同的特征。比如5 ✖️ 5的卷积核输出的信息跟3✖️ 3 的卷积核输出不一样。那么我们知道什么样的卷积核最适合提取呢
所以 Inception模型的改进是在给定的层，把所有的卷积核都试过一次，然后再做选择。也就是说，对于每一层，都会执行 1✖️ 1，3✖️ 3， 5✖️ 5 的卷积核和最大池化层然后在决定使用哪一个，再到下一层。但是这样子的话，计算成本将会大大的增加。
那么有人想出，用多个1✖️ 1的卷积来压缩输入。比如一个大小为 64 ✖️ 64 ✖️ 100的输入，通过20个 1✖️ 1 的过滤器，将会压缩成 64 ✖️ 64 ✖️ 20。 将会缩短运算的速度。 Iinception将不同的层变换并行地跌堆在一起，从而有又深又宽的网络。
Inception模型一开始的模版叫做 GoogleNet
现在甚至有人提出 把ResNet和Inception结合在一起，即把残差块引入Inception，称为ResNeXt