GoogleNet：
Inception V1网络
核心组件Inception Architecture
split-merge ->1*1卷积，3*3卷积，5*5卷积，3*3池化，增加网络对多尺度的适应性，增加网络的宽度
BottleneckLayer->使用NiN的1*1卷积进行特征将维，大幅降低计算量10X
提供多尺度特征：输出通道多尺度（感受野）化，首个Split-Merge思想，串接合并所有分支输出。
Bottleneck Layer的1*1卷积解决多尺度带来的高频参数&计算
取消全连接，参数量大，减负
本质上是一个全尺寸的卷积，全连接占用了大量参数，取消全连接由全局平均池化代替
辅助分类器，解决前几层梯度消失的问题。
Inception V2网络
核心组件Batch Normalization（批归一化）解决Internal Convariate Shift问题（内部neuron的数据分布发生变化），白化：使每一层的输出都规范化到N（0,1），允许较高效的学习率，取代部分Dropout，5*5卷积核->俩个3*3卷积核
Batch Normalization批归一化，在batch范围内，对每个特征通道分别进行归一化，所有图片，所有像素点。
当数据归一化之后，配对使用scale&shift，添加一组逆算子：scale算子，bias偏置。
Inception V3网络
核心组件，非对称卷积：N*N分解成1*N->N*1，降低参数数量和计算量。
高效的降尺寸，避免表达瓶颈，降尺寸前增加特征通道，2个并行分支，卷积分支+池化分支，串接分支结果。
取消浅层的辅助分类器（完全无用），深层辅助分类器只在训练后期有用，加上BN和Dropout，住分类器Top1性能有所提高。
ResNet残差网络
核心组件 Skip/shortcut connection Plain net：可以拟合出任意目标映射H（x）,Residual net,可以拟合出任意目标映射F（x）,H(x)=F(x)+x，F（x）是残差映射，相当于identity来说，当H（x）最优映射接近identity时，很容易捕捉到小的扰动
ResNet残差网络：其他设计，全是3*3卷积核，卷积步长2取代池化，使用Batch Normalization 取消max池化，全连接层，Dropout
Inception V4网络
借鉴残差网络加入直连
ResNeXt网络
提出第三个DNN维度cardinallity基数
采用Split-Transform-Aggregate策略，将卷积核按通道分组，形成32个并行分支，降低维度卷积进行特征变换，加法合并。可以再、在同参数规模下，增加结构，提高模型表达力。
CNN设计准则：
避免信息瓶颈，卷积过程中，空间尺寸H*W会变小，输出通道数C会变多，数据量H*W*C要缓慢变小
通道（卷积核）尺寸保持在可控范围之内。
感受野要足够大，卷积是基于局部图片的操作，捕捉大尺寸内容，多个小尺寸卷积核替代一个大尺寸卷积核（一般在卷积后使用）
分组策略，降低计算量。
