1.LeNet & MNIST
LeNet是一种神经网络的模型，用于图像识别和分类。他包含 3 个卷积层，2 个池化层，1 个全连接层。其中所有卷积层的所有卷积核都为 5x5，步长 strid=1，池化方法都为全局 pooling，激活函数为 Sigmoid。
MNIST是一个手写数字识别数据集，包含60000张训练图片和10000张测试图片。图片是单通道灰度图像。MNIST被广泛用于训练和测试机器学习模型的性能。
2. AlexNet & CIFAR
AlexNet是一种深度卷积神经网络的模型，用于图像识别和分类。他包含 8 层，第 1、2、5 层由卷积层和最大池化层构成，其中最大池化层可以降低特征图尺寸和减少网络参数量。第 3 和第 4 层是卷积层，第 6、7、8 层是全连接层，全连接层最后一层是 Softmax 层。AlexNet首次使用了Relu激活函数。
CIFAR是一个包含十个分类的彩色图像数据集，共包含60000张32*32的彩色图像（包含50000张训练图片，10000张测试图片），数据集是三通道的，分别是R，G，B3 个通道被广泛用于训练和测试机器学习模型的性能。
3.VGG Net
VGG Net是一种深度卷积神经网络的模型，用于图像识别和分类。该模型结构非常深，拥有多个卷积层和池化层。VGG Net是由LeNet、Alexnet发展而来的，VGGnet相比于Alex-net而言，具有更小的卷积核，都是3x3的，而Alex-net卷积核较大（11x11，7x7，5x5）。并且相比于AlexNet的3x3的池化核，VGG全部为2x2的池化核。其结构如下图所示：
4.GoogLeNet & Inception v1
GoogLeNet是一种深度卷积神经网络的模型，用于图像分类和识别。GoogleNet相比VGG，参数量减少了很多，性能表现的更为优越。
Inception v1是该模型的一个版本。它采用一种称为Inception模块的架构，可以在不增加模型参数的同时提高模型性能。
5.ResNet
ResNet是一种深度卷积神经网络的模型，用于图像分类和识别。它采用一种称为残差块的架构，可以避免深度模型训练时出现的梯度消失问题，有助于提高模型性能。
