目录
1.VGG
VGG网络结构参数表如下图所示。
2.ResNet
`ResNet` 模型比 `VGG` 网络具有更少的滤波器数量和更低的复杂性。 比如 `Resnet34` 的`FLOPs` 为 `3.6G`，仅为 `VGG-19` `19.6G` 的 `18%`。
注意，论文中算的 `FLOPs`，把乘加当作 `1` 次计算。`ResNet` 和 `VGG` 的网络结构连接对比图，如下图所示。
不同层数的 `Resnet` 网络参数表如下图所示。看了后续的 `ResNeXt`、`ResNetv2`、`Densenet`、`CSPNet`、`VOVNet` 等论文，越发觉得 `ResNet` 真的算是 `Backone` 领域划时代的工作了，因为它让**深层**神经网络可以训练，基本解决了深层神经网络训练过程中的梯度消失问题，并给出了系统性的解决方案（两种残差结构），即系统性的让网络变得
原文链接：https://blog.csdn.net/ccsss22/article/details/126576778?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522171851498716800186542559%2522%252C%2522scm%2522%253A%252220140713.130102334.pc%255Fblog.%2522%257D&request_id=171851498716800186542559&biz_id=0&utm_medium=distribute.pc_search_result.none-task-blog-2~blog~first_rank_ecpm_v1~times_rank-6-126576778-null-null.nonecase&utm_term=AI%E9%9D%A2%E8%AF%95
