- LeNet-5：这是最早的 CNN 模型之一，用于手写数字识别。
- AlexNet：在 LeNet-5 的基础上进行了改进，是 2012 年 ImageNet 竞赛的冠军模型。
- VGG：该模型在 AlexNet 基础上进一步加深了网络结构，提高了性能。
- GoogLeNet：这是一种高效的 CNN 模型，使用了 Inception 模块。
- ResNet：具有残差连接的深度 CNN 模型，在许多图像识别任务中表现出色。
- DenseNet：通过密集连接来增强特征传播，提高了模型的性能和效率。
- SENet：基于注意力机制的 CNN 模型，能够自适应地选择重要特征。
- EfficientNet：结合了多种技术的高效模型，在计算资源有限的情况下表现良好。
VGG
VGG（Visual Geometry Group）神经网络是一种深度卷积神经网络架构，由牛津大学的视觉几何组（Visual Geometry Group）于 2014 年提出。VGG 神经网络在图像识别和计算机视觉领域取得了很好的效果，并成为了许多后续研究的基础。
VGG 神经网络的主要特点包括：
使用小卷积核：VGG 网络使用 3x3 的小卷积核，而不是较大的卷积核。小卷积核可以增加网络的深度，同时减少参数数量，从而提高模型的效率和泛化能力。
增加网络深度：VGG 网络的深度相对较深，通常包含多个卷积层和全连接层。通过增加网络深度，可以捕捉图像中的更多特征和模式。
使用池化层：VGG 网络使用池化层（如最大池化）来对卷积特征进行下采样，从而减少特征图的大小，同时保留重要的信息。
全连接层：在网络的末尾，VGG 网络通常使用全连接层来将卷积特征转换为一维向量，以便进行分类或回归任务。
预训练和微调：VGG 网络通常在大规模图像数据集（如 ImageNet）上进行预训练，然后在特定任务上进行微调。预训练可以帮助模型学习通用的图像特征，微调则可以适应特定任务的需求。
EfficientNet
EfficientNet 是一种卷积神经网络架构和缩放方法，由 Google Research 在 2019 年提出。它基于一个基础模型 EfficientNet-B0，通过一种复合系数来统一缩放网络的宽度、深度和分辨率。
缩放方法：
传统的网络缩放方法通常只独立地缩放网络的深度、宽度或分辨率。EfficientNet 提出了一种基于一个固定的比例来同时缩放这三个维度，以此来保持它们之间的平衡。
缩放系数由一个简单的公式决定，这个公式基于网络的复杂度和资源的可用性。
基础模型（EfficientNet-B0）：
EfficientNet 的起点是基础模型 EfficientNet-B0，它是通过神经架构搜索（Neural Architecture Search, NAS）得到的一个高效的模型。
优点：
在 ImageNet 和五个常用的迁移学习数据集上，以较少的参数和 FLOPS 超过最先进的 accuracy。
可以非常有效地扩大，在保持模型效率的同时提高 accuracy。
迁移学习效果好，能够在不同任务中取得较好的性能。
