ResNet
https://blog.csdn.net/weixin_43624538/article/details/85049699
CNN
https://my.oschina.net/u/876354/blog/1634322
YoloV2
https://blog.csdn.net/shanlepu6038/article/details/84778770
https://blog.csdn.net/yanhx1204/article/details/81017134
YoloV3
http://www.pianshen.com/article/3460315699/
BN
https://www.cnblogs.com/guoyaohua/p/8724433.html
GoogleNet
传统情况下，最直接提升深度神经网络的方法就是 增加网络的尺寸，包括宽度和深度。深度也就是网络中的层数，宽度指每层中所用到的神经元的个数。但是这种简单直接的解决方式存在的两个重大缺点：
(1) 网络尺寸的增加也意味着参数的增加，也就使得网络更加容易过拟合。
(2) 计算资源的增加。
作者提出，根本的解决方法就是将 全连接的结构转化成稀疏连接的结构。
https://blog.csdn.net/weixin_43624538/article/details/84863685
https://www.jianshu.com/p/22e3af789f4e
Inception v2&v3
https://blog.csdn.net/sunbaigui/article/details/50807418
https://blog.csdn.net/weixin_43624538/article/details/84963116
从Inception v1,v2,v3,v4,RexNeXt到Xception再到MobileNets,ShuffleNet,MobileNetV2,ShuffleNetV2,MobileNetV3
https://blog.csdn.net/qq_14845119/article/details/73648100
DeepID系列
https://blog.csdn.net/weixin_42546496/article/details/88537882
CenterLoss
https://www.aiuai.cn/aifarm102.html
L-Softmax loss
https://blog.csdn.net/u014380165/article/details/76864572
A-Softmax loss
https://blog.csdn.net/weixin_42546496/article/details/88062272（论文翻译）
FaceNet
https://blog.csdn.net/qq_15192373/article/details/78490726（论文讲解）
https://blog.csdn.net/ppllo_o/article/details/90707295（论文翻译）
ArcFace/IncightFace
https://blog.csdn.net/weixin_42546496/article/details/88387325
https://blog.csdn.net/hanjiangxue_wei/article/details/86368948（损失函数代码讲解）