timeline
1998， Yann LeCun 的 LeNet5
图像特征分布在整个图像上
在具有很少参数的多个位置上提取类似特征时，具有可学习的参数的卷积是个比较有效的方法
在没有应用GPU的时候，能够保存参数和计算就成了一个关键优势
LeNet5并没有把每个像素都作为大型多层神经网络的一个输入，因为图像是高度空间相关的，如果用了这种方法，就不能很好地利用相关性
LeNet5 的主要特征：
- CNN 主要用这3层的序列： convolution, pooling, non-linearity
- 用卷积提取空间特征
- 由空间平均得到子样本
- 用 tanh 或 sigmoid 得到非线性
- 用 multi-layer neural network（MLP）作为最终分类器
- 层层之间用稀疏的连接矩阵，以避免大的计算成本
LeNet5
2010， Dan Claudiu Ciresan and Jurgen Schmidhuber 的 Dan Ciresan Net
是比较早的GPU神经网络之一，在NVIDIA GTX 280图形处理器上实现了9层神经网络的前向后向计算。
2012，Alex Krizhevsky 的 AlexNet
是LeNet的一个更深和更广的版本，可以用来学习更复杂的对象
AlexNet 的主要特征：
- 用rectified linear units（ReLU）得到非线性
- 使用辍 dropout 技巧在训练期间有选择性地忽略单个神经元，来减缓模型的过拟合
- 重叠最大池，避免平均池的平均效果
- 使用GPU NVIDIA GTX 580可以减少训练时间，这比用CPU处理快了10倍，所以可以被用于更大的数据集和图像上
AlexNet
2013年12月，Yann LeCun的纽约大学实验室的 OverFeat
是AlexNet的衍生，提出了 learning bounding boxes
2015，牛津的 VGG
率先在每个卷积层中使用更小的 3×3 filters，并将它们组合成卷积序列
虽然小，但是多个3×3卷积序列可以模拟更大的接收场的效果
这个想法也在最近的Inception和ResNet网络中有所应用
2014，Min Lin, Qiang Chen, Shuicheng Yan 的 NiN
- 它的思想很简单但是很有效，使用1x1卷积给一个卷积层的特征提供了更多的组合性
- 每个卷积之后使用空间MLP层，以便在另一层之前更好地组合特征，而没有使用原始像素作为下一层的输入
- 可以有效地使用非常少的参数，在这些特征的所有像素之间共享
Network-in-network
2014，Google Christian Szegedy 的 GoogLeNet and Inception
- 在昂贵的并行块之前，使用1×1卷积块（NiN）来减少特征数量，这通常被称为“瓶颈”，可以减少深层神经网络的计算负担
- 它用一个没有 inception modules 的 stem 作为初始层
- 用类似于NiN的平均池加上softmax分类器
Inception
2015年2月，Christian 团队的 Inception V2，2015年12月，Inception V3
- 在每个池之前，增加 feature maps，构建网络时，仔细平衡深度和宽度，使流入网络的信息最大化
- 当深度增加时，特征的数量或层的宽度也有所增加
- 在下一层之前，增加每一层的宽度来增多特征的组合性
- 尽量只使用3x3卷积
Inception V3
2015，Kaiming He, Xiangyu Zhang, Shaoqing Ren, Jian Sun 的 ResNet
这个网络绕过了2层，可以被看作一个小的分类器，或者一个NiN
这也是第一次训练了大于100甚至1000层的网络
在每一层，通过使用更小output的1x1卷积来减少特征的数量，然后经过一个3x3 层，接着又是一个1x1卷积，这个方法可以保持少计算量，同时提供丰富的特征组合
ResNet
2016，François Chollet 的 Xception
这个网络和 ResNet and Inception V4 一样有效，而且用了更简单优雅的结构
它有36个卷积阶段，和ResNet-34相似，不过模型和代码和ResNet一样简单，并且比Inception V4更易理解
这个网络在 Torch7／Keras / TF 都已经可以应用了
Xception