【介绍】再来一起-听听CNN的故事

好了，在学习CNN之前，我们一起来听听CNN的故事吧。

一、CNN的故事

CNN真正发家是在2012年，但最早可以追溯到1980年，先晒个图，下面我们再来慢慢讲。

1.1. CNN的起源：1980-2012年

首先，是福岛邦彦（Kunihiko Fukushima）在1980年，根据生物界的"猫眼视觉"研究论文，提出了使用卷积来解决图像识别问题。

然后呢，Yann LeCun于1988年提出‌了LeNet，后来1998年又提出了一个更完善的版本LeNet-5，他把卷积加入神经网络中，正式地应用于处理手写数字识别问题，但这时效果是比较弱鸡的，也没受太大的重视。

之后呢，Alex Krizhevsky和Geoffrey Hinton团队在参加2012年ImageNet的图片识别竞赛中，借鉴LeNet-5，设计了一个卷积神经网络AlexNet来参赛，结果以15.3%的错误率夺冠，而第二名只有26.2%，远远不如它。这下大炸开了锅，大家都没想到CNN搞图像效果竟然这么好！

1.2. CNN的井喷：2012-2015年

好了，AlexNet是2012年的，接下来，2013-2015就是各个大神快速跟上，群雄角鹿的三年了！

比较著名的有：VggNet、GoogLeNet、Inception-v2、ResNet、U-Net等等。

比较特别的是，2014年VGG模型做了一个深度实验，发现模型越加深，效果越好！然后这就正式开启深度学习时代了！大家疯狂的去加深模型，但是，模型加深到一定程度，就遇到瓶颈了，加更深效果反而更差，很重要的一个原因是，训练能力跟不上~！直到2015年，何恺明等人提出了ResNet，减轻了模型求解的压力，一下子把模型堆到了1000多层！

这些模型的意义，不仅仅是因为它们解决了图像问题，更重要的是它们带来了一系列的实验、技术，推动了深层模型的发展。例如上面说的ResNet，它提出的残差连接就减轻了深层模型的求解压力，使得模型去到上千层也没问题。

1.3. CNN的发展：2016至今

话说CNN启动了深度学习、惹得各领域百花齐放之后，自然仍然会继续发展，不过这之后的模型，对其它领域就没那么大的影响了，2016年之后的一些知名模型如下：

SqueezeNet(2016)、MobileNet(2017)、EfficientNet(2019年‌)、Vit(2020)、ConvNeXt(2022)。

我们都知道，2016之前的CNN模型基本都是深度学习的基石，而2016之后反而会有其它深度学习领域的技术反哺CNN了，使用Vit就是引入了RNN中的Attention机制。

结束语

好了，我们都知道了CNN大概是怎么一回事了，也大概知道CNN是要学什么了，无非就是2016前的模型、以及它涉及的相关思想和技术，这些都是深度学习的通用技术。然后如果想做CNN相关的项目，那就要follow2016之后、至今的一些知名模型了。