1、ImageNet數據集背景介紹：
如果說Mnist數據集將初學者領進了深度學習領域，那麼Imagenet數據集在深度學習中尤其是計算機視覺領域掀起了巨大的浪潮。ImageNet項目於2007年由斯坦福大學華人教授李飛飛創辦，目標是收集大量帶有標註信息的圖片數據供計算機視覺模型訓練。ImageNet擁有1500萬張標註過的高清圖片，總共擁有22000類，其中約有100萬張標註了圖片中主要物體的定位邊框。Imagenet數據集是目前深度學習圖像領域應用得非常多的一個數據，關於圖像分類、定位、檢測等研究工作大多基於此數據集展開。ImageNet國際計算機視覺挑戰賽(ILSVRC)就是基於該數據集子集（120萬張圖片，以及1000類的標註），吸引了中美英等7個國家的25支頂尖人工智能團隊參賽，該比賽每年舉辦一次。比賽採用top-5和top-1分類錯誤率作爲模型性能的評測指標。
性能解釋：
top-5是指模型預測一個樣本的結果前五中有預測正確的即爲預測正確，否則錯誤。
top-1是指模型預測一個樣本的最佳的最佳結果正確即爲預測正確，否則錯誤。
2、ImageNet項目比賽的網絡結構模型演進
自從2010年舉辦以來，各大公司和頂尖的團隊參賽不斷，包括Google、MSRA、DeepMind、港中文等。以下介紹幾種得冠團隊中經典的網絡結構模型:AlexNet、VGGNet、Google Inception Net和ResNet。
1、AlexNet(2012年冠軍)
AlexNet的第一作者是Alex，是2012年被髮表的一個金典之作，並在當年取得了ImageNet比賽的最好成績。官方提供的數據顯示準確率達到57.1%,AlexNet, top-5錯誤率16.4%.
AlexNet特點：
- 卷積層：5層 ，當時用的還是5*5，3*3的大卷積層。
- 全連接層：3層
- 深度：8層
AlexNet將LeNet的思想發揚光大，把CNN的基本原理應用到了很深很寬的網絡中。奠定了深度卷積神經網絡在機器視覺領域的地位。
2、InceptionNet（2014年冠軍）
InceptionNet是Google公司發明並創建的，當時還是InceptionV1，並在2014年獲得了ImageNet比賽的冠軍InceptionNet是一個22層神經網絡，top-5錯誤率爲6.7%。
Inception V1的特點：
- 22層，比AlexNet 的 8 層或者 VGGNet 的 19 層還要更深；
- 全局平均池化層（將圖片尺寸變爲1×11×1）取代全連接層；
- 小卷積核（1*1，3*3，5*5）,最大池化層（3*3）
3、VGGnet（2014年亞軍）
VGGNet由牛津大學的視覺幾何組（Visual Geometry Group）提出，是ILSVRC-2014中定位任務第一名和分類任務第二名。並且證明了使用很小的卷積（3*3），增加網絡深度可以有效提升模型的效果，而且VGGNet對其他數據集具有很好的泛化能力。VGGnet有16層和19層兩種。兩種網絡除了卷積層層數的差別，其他都不大，並且在準確率上也相差不大.VGG19，在14年的性能表現爲top-5錯誤率7.3%。
VGG19網絡結構：
- 卷積層：16層
- 全連接層：3層
- 連續使用多層小卷積核（3*3*M）
4、ResNet（2015年冠軍）
ResNet在2015年被提出，主要是針對層數越深，訓練集準確率反而出現下降的情況提出的深度殘差網絡，並在ImageNet比賽classification任務上獲得第一名，因爲它“簡單與實用”並存，之後很多方法都建立在ResNet50或者ResNet101的基礎上完成的，檢測，分割，識別等領域都紛紛使用ResNet，Alpha zero也使用了ResNet，所以可見ResNet確實很好用。 ResNet的top-5錯誤率爲3.57%。
ResNet的結構特點：
- 152層
- 層之間用到了ShortCutting，減少了訓練的難度。
在ImageNet圖像識別項目中，幾乎所有網絡結構都是基於卷積神經網絡的改進，改進方向一般是網絡的深度（也就是卷積層的個數）、卷積核的個數，卷積核的大小，激活函數以及各層之間的連接方式（跳層連接）等等。在機器視覺的領域基本離不開卷積神經網絡，並且隨着語音識別的，自然語言的發展，卷積神經網絡也在序列處理當中發揮了很強的特徵提取的功能。。關於卷積神經網絡的原理將在下一篇博客詳細介紹。