本文将李沐《动手学深度学习》中CV经典网络章节的mxnet代码，用Paddle 2.0重写。介绍了NiN（用1×1卷积）、GoogLeNet（Inception模块多分支）、Batch Normalization（加速收敛）、ResNet（跨层连接防梯度问题）、DenseNet（极致跨层连接）的结构与特点。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜
背景
李沐老师的经典教程 -《动手学深度学习》深入浅出，相信是很多小伙伴加入深度学习门派的“接引人”，我也是读这本书入门的～。书中的内容既不要求读者已经掌握充分的数学基础，又深入到深度学习的原理层面而不只是使用现成的经典模型结构，学起来很容易上手。美中不足的是，书中的代码是用 mxnet 框架实现的。为了方便 AI Studio 上的各位大佬们通过阅读此书提高炼丹技艺，（在紫涵大佬的唆使下（狗头～））我将书中的部分介绍 CV 经典网络章节的用 mxnet 框架实现的代码（包括 NetworkInNetwork、GoogLeNet、Batch Normalization、ResNet、DenseNet），用 Paddle 2.0 版本的 API 进行了重写。
一、Network In Network
NiN(Network In Network) 结构就是在卷积核大于1×1的普通卷积后加入多个1×1卷积核的卷积组成“网络中的内嵌网络（NiN）”。每个 NiN 模块都可以被看成一个小型的全连接神经网络，而又没全连接层那么多的参数量。这是第一个使用1×1卷积网络结构，后来的 GoogLeNet 和 ResNet 的 BottleNeck 结构等都借鉴了这一思想。
NiN的结构（图片来自网络）
详情参考项目：《动手学深度学习》Paddle 版源码-5.08章（NIN）
二、GoogLeNet
GoogLeNet 通过一种称为 Inception 的模块将1×1、3×3、5×5的卷积层和3×3的最大池化层拼接在一起，使其能够在一层网络中提取不同视野范围的特征。这是一种多分支结构，让模型自行提取效率最佳的感受野特征。
Inception 模块的结构：(图片来自网络)
详情参考项目：《动手学深度学习》Paddle 版源码-5.09章（GoogLeNet）
三、Batch Normalization
批归一化（Batch Normalization）的作用是：当数据在 DNN 网络中传播时，不断的将数据分布拉回来，避免数据的分布越来越极端，以加快模型的收敛。
（图片来自网络）
由上图可见，在不使用 BN 层的网络中，每经过一个神经网络层，数据都向数据分布区间的两端进一步靠拢，导致部分数据引起网络权重的剧烈变化，而另部分数据几乎起不到训练作用。在使用 BN 层后，各层输出的特征图的值的分布都是相近的，使每个特征都能比较平等的影响网络权重的更新。
详情参考项目：《动手学深度学习》Paddle 版源码-5.10章（BatchNorm）
四、ResNet
与 GoogLeNet 一样，ResNet 也是一种多分支结构。但是 ResNet 的多分支是通过跨层连接来实现的，这样能够使梯度更好的进行传播，避免梯度消失/爆炸的问题。在 ResNet 之前网络的深度只能达到20多层，在深就会导致网络退化问题。ResNet 横空出世之后网络的深度能够达到上千层，拟合能力大大提升。即使现在，ResNet 的残差结构也是应用最广泛的网络基本结构之一。下图是 ResNet 的残差结构：
详情参考项目：《动手学深度学习》Paddle 版源码-5.11章（ResNet）
五、DenseNet
DenseNet 将 ResNet 的跨层连接发挥到了极致。ResNet 将相邻的层之间加入快层连接，而 DenseNet 将网络中的每一层都与其他所有层进行了跨层连接。也因此，为了结构的模块化，DenseNet 的跨层连接是通过拼接而非加和实现的。实验得出，DenseNet 并不需要很宽的网络，所以作者在 DenseNet 的稠密块之间加入了转换层控制网络宽度。下图是 DenseNet 与 ResNet 的网络结构对比：
