经典网络结构总结--ResNet系列
论文：Deep Residual Learning for Image Recognition
Motivation：网络越深，能获取的信息越多，而且特征也越丰富。但是根据实验表明，随着网络的加深，优化效果反而越差，测试数据和训练数据的准确率反而降低了（网络退化）。为了让更深的网络也能训练出好的效果，何凯明大神提出了一个新的网络结构——ResNet。这个网络结构的想法主要源于VLAD（残差的想法来源）和Highway Network（跳跃连接的想法来源）。
ResNet Block
残差学习模块包括identity mapping和residual mapping，其中前者指的是x本身的映射，后者为残差映射即F(x)。
残差学习为何有效？
设残差模块的输出为H(x)=F(x)+x，对于普通网络其输出为H(x)。假设网络达到了某个深度的最优状态，再继续增加深度就需要考虑下一层网络也必须达到最优状态，否则增加深度就会使网络退化；对于添加了残差学习的网络，在同样的情况下，只需要令F(x)=0即可，因为上层输出的x是最优解，那么额外增加的网络层的输出H(x) = 0 + x =x，可以视为增加层数起码不会导致网络退化。
BottleNeck Block
另外，作者还提出了bottleneck block来减少计算量。
论文：Densely Connected Convolutional Networks
Motivation：不从深度和宽度的角度优化网络结构，而是从特征的充分利用这一角度来对resnet进行改进。 dense block
优点：缓解了梯度消失问题，加强了特征传播，鼓励特征重用，并大大减少了参数的数量。（得益于密集连接特性）
ResNeXt
论文：Aggregated Residual Transformations for Deep Neural Networks
改进点：在ResNet的基础上引入group convolution，相当于在残差模块中加入了inception中的拓扑结构，在不增加参数量的情况下有更高的准确率。
group convolution
WideResNet
论文：Wide Residual Networks
改进点1：在卷积之间加入dropout，获得提升
改进点2：增加网络的宽度（k表示扩宽倍数）
ResNet v2
论文：Identity Mappings in Deep Residual Networks
改进点：pre-activation
作者：有时候。
