卷積神經網絡（CNN）近年來取得了長足的發展，是深度學習中的一顆耀眼明珠。CNN不僅能用來對圖像進行分類，還在圖像分割（目標檢測）任務中有着廣泛的應用。CNN已經成爲了圖像分類的黃金標準，一直在不斷的發展和改進。
劉昕博士總結了CNN的演化歷史，如下圖所示：
CNN的起點是神經認知機模型，此時已經出現了卷積結構，經典的LeNet誕生於1998年。然而之後CNN的鋒芒開始被SVM等模型蓋過。隨着ReLU、dropout的提出，以及GPU和大數據帶來的歷史機遇，CNN在2012年迎來了歷史突破：AlexNet。隨後幾年，CNN呈現爆發式發展，各種CNN模型涌現出來。
CNN的主要演進方向如下：
1、網絡結構加深
2、加強卷積功能
3、從分類到檢測
4、新增功能模塊
下圖是CNN幾個經典模型（AlexNet、VGG、NIN、GoogLeNet、ResNet）的對比圖，可見網絡層次越來越深、結構越來越複雜，當然模型效果也是越來越好：
本博客通過一系列的“大話深度學習”文章，全面詳細地介紹了CNN進化史各個階段的里程碑成果。
1、小白講卷積：大話卷積神經網絡（CNN）
2、卷積初嘗試：大話CNN經典模型 LeNet
3、歷史の突破：大話CNN經典模型 AlexNet
4、網絡再加深：大話CNN經典模型VGGNet
5、增強卷積功能：大話CNN經典模型GoogLeNet
6、從分類到目標檢測：大話目標檢測模型（R-CNN、Fast R-CNN、Faster R-CNN）
7、網絡深度創歷史：大話深度殘差網絡（ResNet）
要真正深入瞭解學習這些CNN經典模型，最好的辦法是仔細閱讀相應的論文。歡迎關注公衆號“大數據與人工智能Lab”（BigdataAILab），裏面收集整理了CNN各種模型的經典論文
關注本人公衆號“大數據與人工智能Lab”（BigdataAILab），然後回覆“論文”關鍵字可在線閱讀經典論文的內容。
