CNN模型简单介绍,按照提出时间依次介绍LeNet,AlexNet,VGG,GoogLeNet,ResNet,GAN,R-CNN。十几页的ppt，主要介绍各个模型的核心思想、贡献，希望能为大家提供一条清晰的CNN发展脉络。具体的算法实现等需要阅读文章代码。相关文章会作为另一个资源提供免费打包下载。

1.本项目专注于解决出国自驾游特定场景下的交通标志识别问题。借助Kaggle上的丰富交通标志数据集，我们采用了VGG和GoogLeNet等卷积神经网络模型进行训练。通过对网络架构和参数的巧妙调整，致力于提升模型在不同类型交通标志识别方面的准确率。 2.项目运行环境包括：Python 环境、Anaconda环境。 3.项目包括3个模块：数据预处理、模型构建、模型训练及保存。项目使用德国交通标志识别基准数据集(GTSRB)，此数据集包含50000张在各种环境下拍摄的交通标志图像；模型构建包括VGG模型和GoogLeNet模型简化版深度学习模型，MiniGoogLeNet由Inception模块、Downsample模块和卷积模块组成，卷积模块包括卷积层、激活函数和批量归一化；通过随机旋转等方法进行数据增强，选用Adam算法作为优化算法，随着迭代的次数增加降低学习速率，经过尝试，速率设为0.001时效果最好。 4.项目博客：https://blog.csdn.net/qq_31136513/article/details/135080491

今天小编就为大家分享一篇Pytorch实现GoogLeNet的方法，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧

一个完整的迁移学习的过程完整代码

迁移学习（Transfer Learning）：Matlab预训练模型的原始安装程序，用于特征提取、表达、目标识别等诸多任务

基于 Pytorchet GoogLeNet 的图像分类实战 完整代码 数据 可直接运行 CIFAR-10分类

Place365GoogLeNet 是在 Places365 数据集上训练的预训练模型，其底层网络架构与在 ImageNet 数据集上训练的 GoogLeNet 相同。 您可以使用网络阅读 句法净= googlenet net = googlenet('权重',权重) net = googlenet('Weights',weights) 返回在 ImageNet 或 Places365 数据集上训练的 GoogLeNet 网络。 如果权重等于“imagenet”，则网络具有在 ImageNet 数据集上训练的权重。 如果权重等于“places365”，则网络具有在 Places365 数据集上训练的权重。 从您的操作系统或 MATLAB 中打开 place365googlenet.mlpkginstall 文件将启动您拥有的版本的安装过程。 此 mlpkginstall 文件适用

用于pytorch的图像分类，包含多种模型方法，比如AlexNet，VGG，GoogleNet，ResNet，DenseNet等等，包含可完整运行的代码。除此之外，也有colab的在线运行代码，可以直接在colab在线运行查看结果。

为了提高脉搏波识别的准确率，提出改进的深度融合神经网络MIRNet2.首先，经过主波提取、划分周期和制作hdf5数据集等，获得Caffe可处理的数据集.其次，提出由Inception模块和残差模块构成的融合网络Inception-ResNet （IRNet），包含IRNet1、IRNet2和IRNet3.在此基础上，改进Inception模块、残差模块和池化模块，构造Modified Inception-ResNet （MIRNet），包含MIRNet1和MIRNet2.与本文其它神经网络相比，MIRNet2的分类性能最好，特异性、灵敏度和准确率分别达到87.85%、88.05%和87.84%，参数量和运算量也少于IRNet3.

GoogLeNet是2014年Christian Szegedy提出的一种全新的深度学习结构，在这之前的AlexNet、VGG等结构都是通过增大网络的深度（层数）来获得更好的训练效果，但层数的增加会带来很多负作用，比如overfit、梯度消失、梯度爆炸等。inception的提出则从另一种角度来提升训练结果：能更高效的利用计算资源，在相同的计算量下能提取到更多的特征，从而提升训练结果。 外文名GoogLeNet类 型神经网络 结构介绍 inception模块的基本机构如图1，整个inception结构就是由多个这样的inception模块串联起来的。inception结构的主要贡献有两个：一是使用1x1的卷积来进行升降维；二是在多个尺寸上同时进行卷积再聚合。 图1 图1 1x1卷积 作用1：在相同尺寸的感受野中叠加更多的卷积，能提取到更丰富的特征。这个观点来自于Network in Network，图1里三个1x1卷积都起到了该作用。 图2 图2 图2左侧是是传统的卷积层结构（线性卷积），在一个尺度上只有一次卷积；图2右图是Network in Network结构（NIN结构），