1.AlexNet主要用到新技术点如下：
（1）成功使用ReLU作为RNN激活函数，成果解决了Sigmoid的梯度弥散问题。
（2）训练时使用了Dropout，避免了过拟合。
（3）在CNN中使用重叠的最大池化。提过了补偿比池化核尺寸小，这样池化层输出之间有重叠和覆盖，提高了特征的丰富性。
（4）提出了LRN层，增强了模型的泛化能立。
（5）使用CUDA加速深度卷积网络的训练。
（5）数据增强，随机从256x256图像中截取224x224大小的区域，以及水平翻转，得到（256-224）平方x2=2048倍的数据量，大大减轻了过拟合，提升泛化能力。
2.VGGNet主要用到新技术点如下：
（1）卷积层堆叠，通过2至3个3x3卷积层堆叠来形成5x5和7x7大小的感受野。其中2个3x3的卷积层可以形成5x5大小的感受野，第一参数量更少，比1个7x7的卷积层拥有更少的参数量，只有后者的（3x3x3）/（7x7）=55%的参数量，拥有更多的非线性变化，但是3个卷积层可以进行3此非线性变换，而1个卷积层只能有1次。
（2）训练和预测时的技巧，训练时先训练级别A的简单网络，再复用A网络的权重来初始化后面的几个复杂模型，这样训练收敛的速度更快.预测时采用Multi-Scale的方法（详情见书P110），同时还再训练时VGGNet也使用了Multi-Scale的方法做数据增强。
（3）得出LRN层作用不大。越深的网络效果越好。1x1的卷积也是很有效的，但是没有3x3的好，大一些的卷积核可以学习更大的空间特征。
3.Google Inception Net:参数量少效果更好，除了因为模型层数更深，表达能立更强，还有两点：去除了最后的全连接层，用全局平均池化层（即将图片尺寸变为1X1）来取代它。全连接层几乎占据了AlexNet和VGGNet百分之90的参数两，所以去了后不仅减少了参数，而且减轻了过拟合。而是Inception Module提高了参数的利用效率。
主要用到的新技术点如下：
（1）Factorization into small convolution的思想，很有效，可以降低参数量，减轻过拟合，增加网络非线性的表达能力。如：将7x7卷积拆成1x7卷积和7x1卷积，比拆成3个3x3卷积更节约参数，同时比7x7卷积多了一层非线性扩展模型表达能力。
（2）InceptionModule的结构，用多个分支提取不同抽象成都的高阶特征的思路很有效，可以丰富网络的表达能力。这些Inception Module的结构只在网络的后部出现，前面还是普通的卷积层。
（3）卷积网络从输入到输出，应该让图片尺寸逐渐减小，输出通道数逐渐增加，即让空间结构简化，将空间信息转化为高阶抽象的特征信息。
（4）去除了最后的全连接层，用1x1卷积来取代，这样大大减少了参数两，并且减轻了过拟合。