深度学习问答07：CNN经典模型LeNet、AlexNet、VGG、ResNet迭代对比.docxVIP

深度学习问答07：CNN经典模型LeNet、AlexNet、VGG、ResNet迭代对比

一、核心问答正文

问题1：为什么要学习经典CNN迭代模型？

在上一篇《深度学习问答06：CNN核心结构》中，我们已经掌握卷积层、池化层、激活层的基础作用，同时理解CNN通用堆叠范式：卷积—激活—池化。单纯掌握基础结构远远不够，所有现代计算机视觉模型，都是在初代CNN模型基础上迭代优化而来。

从LeNet到ResNet的发展历程，完整记录了卷积神经网络的进化逻辑：从浅层简单网络到超深层网络、从手动特征设计到自动高阶特征提取、从训练难收敛到极易训练。吃透四大经典模型的迭代思路、创新亮点与优缺点，能够帮助我们理解当下CNN的设计准则，同时这部分内容也是软考简答题、算法面试必考核心考点。

本篇按照时间发展顺序，逐一拆解LeNet、AlexNet、VGG、ResNet四大里程碑模型，横向总结迭代规律，帮助零基础学习者一站式掌握CNN进化全貌。

问题2：CNN模型整体迭代演进总览

卷积神经网络的迭代核心目标始终不变：提升特征提取能力、降低训练难度、缓解过拟合、适配复杂图像任务，四大模型时间线与定位如下：

LeNet（1998）：CNN开山鼻祖，最早商业化落地的卷积网络，奠定CNN基础堆叠结构；

AlexNet（2012）：深度学习复兴之作，打破传统机器视觉垄断，证明深层CNN的强大潜力；

VGG（201