深度学习流行网络与数据集

一. 常用网络

       深度学习相关的几个比较著名的网络，AlexNet、VGG、GoogleNet、ResNet。

模型	AlexNet	VGG	GoogleNet	ResNet
时间	2012	2014	2014	2015
层数	8	19	22	152
Top-5错误率	15.3%	7.3%	6.66%	3.57%
卷积层数	5	16	21	151
模型参数	60M	500M	7M	25M

       从整体趋势来看，准确度越来越高，同时网络层数也越来越多，可以认为网络结构的复杂性带来效果的提高，而模型参数的数量并非越多越好，合适就好，参数数量太多可能会一定程度上导致过拟合问题。

二. 常用数据集

       常用的数据训练集如下：

数据集	MNIST	Imagenet	COCO	PASCAL VOC2012	CIFAR-10    CIFAR-100
内容	手写体分类		目标检测、分割和图像语义	目标检测、图像分类	图像分类
大小	12MB	总1400多万张   已标注100万张约1TB	30多万张   40GB	2GB	50,000个训练图像     170MB
类别划分	10	全类别	80种目标	20	10

        大家可以根据自己的需要设计网络，也可以考虑在现有成熟网络的基础上做一些修改，当然也需要标注大量的数据，靠谱的做法是开发个自动标注工具，收集训练样本！
        下载地址：

MNIST：

http://yann.lecun.com/exdb/mnist/index.html

ImageNet：

http://www.image-net.org/about-stats

COCO：

http://mscoco.org/

VOC：

http://host.robots.ox.ac.uk/pascal/VOC/voc2012/index.html

CIFAR：

http://www.cs.toronto.edu/~kriz/cifar.html

三. 其他数据集

       其他数据集可以参考作者之前的总结：

机器学习实践
- 车辆检测