以下实现了各种经典的神经网络结构来处理CIFAR10数据集以设置网络中的参数。有关卷积饮食操作和卷积神经网络的具体介绍，请参阅本文：[6]卷积神经网络简介：
对于卷积后的输出大小的计算公式：
outsize =（Insize -filtersize + 2*填充）/踏步 + 1
导入主包
如果是逻辑回报，则需要对每张图片的输出值执行索尔马克斯操作，将神经网络的值转换为概率，然后使用相关操作获取可以获取最大概率的索引每张图片都是实际图片。预测类别标签值
其中，原始论文中的输入图像为224*224，因此上述Alexnet已重写。原始处理过程如下：
由于VGG网络具有许多版本，因此使用VGG16层版本作为示例，这是图中的D版本。
其中，ABCDE代表不同的深度网络配置，convx-y中的x代表卷积核心大小，y代表特征通道的数量，例如conv3-256代表3x3卷积内核，通道的数量为256；核3x3通道为512。
其中，原始输入图像为224*224，因此上述VGG16已重写。
强调：
注意：每个分支获得的特征矩阵的高和宽度必须相同
上面的GoogLenet由32*32的图像分类网络构建，并且没有辅助分类器。P/185025947
以1000个分类为例，原始的Googlenet网络结构，其中包含辅助分类器结构如下：
强调：
重新连接中的两个基本残留快速结构：
左侧的结构用于50以下的网络；
以下以RES18为例：
参考材料：https：//space.bilibili.com/18161609/channel/seriesdetail？SID = 2441588
原始：https：//juejin.cn/post/7097039337971269669