经典的卷积神经网络（CNN）在深度学习发展史上具有重要地位，以下是一些里程碑式的模型及其核心贡献：
1. LeNet-5（1998）
- 提出者：Yann LeCun
- 特点 ：
- 首个成功应用于手写数字识别（MNIST）的CNN。
- 结构：卷积层 + 池化层（当时用Subsampling） + 全连接层。
- 使用Tanh激活函数，后续被ReLU取代。
- 意义：奠定了CNN的基本结构。
2. AlexNet（2012）
- 提出者：Alex Krizhevsky 等（Geoffrey Hinton团队）
- 特点 ：
- 赢得ImageNet竞赛（ILSVRC 2012），top-5错误率大幅降低至15.3%。
- 引入ReLU激活函数解决梯度消失。
- 使用Dropout防止过拟合。
- 首次采用GPU加速训练（双GPU并行）。
- 意义：开启CNN在计算机视觉的黄金时代。
3. VGGNet（2014）
- 提出者：牛津大学Visual Geometry Group
- 特点 ：
- 核心思想：小卷积核（3×3）堆叠替代大卷积核，减少参数并增强非线性。
- 常用版本：VGG-16 和 VGG-19（数字代表层数）。
- 结构规整，易于迁移学习。
- 意义：证明了深度的重要性，设计理念影响后续模型。
4. GoogLeNet（Inception v1, 2014）
- 提出者：Google团队
- 特点 ：
- 提出Inception模块：并行多尺度卷积（1×1、3×3、5×5）和池化，通过1×1卷积降维。
- 引入辅助分类器缓解梯度消失。
- 参数量仅为AlexNet的1/12，效率极高。
- 后续改进：Inception v2/v3（BN、分解卷积）、v4（结合ResNet）。
5. ResNet（2015）
- 提出者：何恺明等（Microsoft Research）
- 特点 ：
- 残差连接（Residual Block）：解决深层网络梯度消失问题，允许训练超过1000层的网络。
- 赢得ILSVRC 2015，top-5错误率3.57%（超越人类水平）。
- 变体：ResNeXt（分组卷积）、DenseNet（密集连接）。
- 意义：成为现代CNN的基础结构。
6. 其他重要变体
- MobileNet（2017）：深度可分离卷积，轻量化设计。
- EfficientNet（2019）：复合缩放（深度/宽度/分辨率平衡）。
- SENet（2017）：通道注意力机制（Squeeze-and-Excitation模块）。
总结
| 模型 | 核心贡献 | 应用场景 |
|---|---|---|
| LeNet-5 | 首个CNN结构 | 手写数字识别 |
| AlexNet | ReLU/Dropout/GPU训练 | 大规模图像分类 |
| VGGNet | 小卷积核堆叠 | 迁移学习基础 |
| GoogLeNet | Inception多尺度模块 | 高效计算 |
| ResNet | 残差连接解决深度问题 | 极深层网络设计 |
这些模型推动了CNN在图像分类、目标检测（如Faster R-CNN）、语义分割（如U-Net）等任务中的应用。