为了让学习思路比较清晰，我们把近期网络篇学习的大纲放在下面（实际上也是激励我们…认真学习不能放弃呜呜呜）!后面会将持续更新的网络篇的博客地址放在下面，还请各位大大们持续关注和支持！！！蟹蟹大家！给你们比心心~
说到对深度学习分类网络的总结，我们不妨先来回顾一下这些网络都做了什么优秀的事情（因为是总结，可能不够全面，想要详细了解的小伙伴可以看我们博客链接的详细介绍）。
一、AlexNet（2012年）
网络结构： 采用了8层的神经网络，其中包含5个卷积层（其中有3个卷积层后连接了最大池化层，激活函数选用的Relu，并且做了标准化），3个全连接层（2048）和softmax层（1000）；卷积核大小：11x11、5x5、3x3；
AlexNet=(conv+relu+maxpooling)×3+(conv+relu)×2+fc×2+softmax
训练过程： 两台GPU串联提高运行速度；
防止过拟合： 一是数据增强：将原始图像227x227x3进行水平翻转，随机裁剪为224x224x3的输入图像，并做了PCA的主成分分析；二是用了Dropout，随机忽略一部分的神经元，训练时keep_prob为0.5，测试时keep_prob为1；
博客的链接：
深度学习网络篇——AlexNet
深度学习网络篇——AlexNet在MNIST的代码实现
二、ZFNet（2013年）
ZFNet的目的：可视化和理解卷积神经网络！ 所以在网络中引入了反池化和反卷积，可视化过程为：输入图片-> 卷积-> Relu-> 最大池化->得到结果特征图-> 反池化-> Relu-> 反卷积。
网络结构： 网络结构与AlexNet的网络结构基本相同，只是把第一层卷积的卷积核大小替换为7x7，把全连接层的神经元个数增加到4096；卷积核大小：7x7、5x5、3x3；
ZFNet=(conv+relu+maxpooling)×2+(conv+relu)×3+fc×2+softmax
训练过程： 单GPU的密集运算；
博客的链接：
深度学习网络篇——ZFNet（Part1 从AlexNet到ZFNet）
深度学习网络篇——ZFNet（Part2 ZFNet的训练细节）
深度学习网络篇——ZFNet（Part3 ZFNet的实验环节）
三、NIN（2014年）
博客的链接：
深度学习网络篇——NIN(Network in Network)
四、VGGNet（2014年）
博客的链接：
深度学习网络篇——VGGNet（Part1 网络结构&训练环节）
深度学习网络篇——VGGNet（Part2 分类测试&总结）
五、GoogLeNet（2014年）
博客的链接：
深度学习网络篇——GoogLeNet
深度学习网络篇——Inception v2
深度学习网络篇——Inception v3
六、ResNet（2015年）
博客的链接：
深度学习网络篇——ResNet
七、DenseNet（2017年）
博客的链接：
深度学习网络篇——DensesNet
八、轻量级网络
博客的链接：
轻量级深度学习网络——MobileNet & MobileNet v2
轻量级深度学习网络——ShuffleNet & ShuffleNet v2