Translations:Convolutional Neural Networks/22/zh - Revision history

DeployBot: Batch translate Convolutional Neural Networks unit 22 → zh

2026-04-27T23:37:01Z

Batch translate Convolutional Neural Networks unit 22 → zh

← Older revision		Revision as of 23:37, 27 April 2026
Line 1:		Line 1:
	{\| class="wikitable"		{\| class="wikitable"
	\|-		\|-
	! 架构 !! 年份 !! ~~关键贡献~~ !! 深度		! 架构 !! 年份 !! 主要贡献 !! 深度
	\|-		\|-
	\| '''LeNet-5''' \|\| 1998 \|\| ~~开创了用于手写数字识别（MNIST）的~~ CNN \|\| 5 层		\| '''LeNet-5''' \|\| 1998 \|\| 开创性地将 CNN 用于手写数字识别（MNIST） \|\| 5 层
	\|-		\|-
	\| '''AlexNet''' \|\| 2012 \|\| 赢得 ImageNet；推广了 ~~ReLU、dropout~~ 和 GPU 训练 \|\| 8 层		\| '''AlexNet''' \|\| 2012 \|\| 赢得 ImageNet；推广了 ReLU、{{Term\|dropout\|dropout}} 和 GPU 训练 \|\| 8 层
	\|-		\|-
	\| '''VGGNet''' \|\| 2014 \|\| ~~证明深度很重要；全程仅使用~~ <math>3 \times 3</math> 滤波器 \|\| 16–19 层		\| '''VGGNet''' \|\| 2014 \|\| 表明深度很重要；全网络仅使用 <math>3 \times 3</math> 滤波器 \|\| 16–19 层
	\|-		\|-
	\| '''GoogLeNet (Inception)''' \|\| 2014 \|\| 引入了具有并行滤波器尺寸的 inception 模块 \|\| 22 层		\| '''GoogLeNet (Inception)''' \|\| 2014 \|\| 引入了具有并行滤波器尺寸的 inception 模块 \|\| 22 层
	\|-		\|-
	\| '''ResNet''' \|\| 2015 \|\| ~~引入残差连接，使非常深的网络成为可能~~ \|\| 50–152+ 层		\| '''ResNet''' \|\| 2015 \|\| 引入了残差连接，使非常深的网络成为可能 \|\| 50–152+ 层
	\|-		\|-
	\| '''DenseNet''' \|\| 2017 \|\| ~~通过密集块将每一层与所有后续层相连接~~ \|\| 121–264 层		\| '''DenseNet''' \|\| 2017 \|\| 通过密集块将每一层连接到后续每一层 \|\| 121–264 层
	\|-		\|-
	\| '''EfficientNet''' \|\| 2019 \|\| 对深度、宽度和分辨率进行复合缩放 \|\| 可变		\| '''EfficientNet''' \|\| 2019 \|\| 对深度、宽度和分辨率进行复合缩放 \|\| 可变
	\|}		\|}

DeployBot: Batch translate Convolutional Neural Networks unit 22 → zh

2026-04-27T21:58:54Z

Batch translate Convolutional Neural Networks unit 22 → zh

← Older revision		Revision as of 21:58, 27 April 2026
Line 7:		Line 7:
	\| '''AlexNet''' \|\| 2012 \|\| 赢得 ImageNet；推广了 ReLU、dropout 和 GPU 训练 \|\| 8 层		\| '''AlexNet''' \|\| 2012 \|\| 赢得 ImageNet；推广了 ReLU、dropout 和 GPU 训练 \|\| 8 层
	\|-		\|-
	\| '''VGGNet''' \|\| 2014 \|\| ~~表明深度很重要；全程仅使用~~ <math>3 \times 3</math> 滤波器 \|\| 16–19 层		\| '''VGGNet''' \|\| 2014 \|\| 证明深度很重要；全程仅使用 <math>3 \times 3</math> 滤波器 \|\| 16–19 层
	\|-		\|-
	\| '''GoogLeNet (Inception)''' \|\| 2014 \|\| 引入了具有并行滤波器尺寸的 inception 模块 \|\| 22 层		\| '''GoogLeNet (Inception)''' \|\| 2014 \|\| 引入了具有并行滤波器尺寸的 inception 模块 \|\| 22 层
	\|-		\|-
	\| '''ResNet''' \|\| 2015 \|\| ~~引入残差连接，使训练非常深的网络成为可能~~ \|\| 50–152+ 层		\| '''ResNet''' \|\| 2015 \|\| 引入残差连接，使非常深的网络成为可能 \|\| 50–152+ 层
	\|-		\|-
	\| '''DenseNet''' \|\| 2017 \|\| ~~通过密集块将每一层与之后的所有层相连~~ \|\| 121–264 层		\| '''DenseNet''' \|\| 2017 \|\| 通过密集块将每一层与所有后续层相连接 \|\| 121–264 层
	\|-		\|-
	\| '''EfficientNet''' \|\| 2019 \|\| 对深度、宽度和分辨率进行复合缩放 \|\| 可变		\| '''EfficientNet''' \|\| 2019 \|\| 对深度、宽度和分辨率进行复合缩放 \|\| 可变
	\|}		\|}

DeployBot: Batch translate Convolutional Neural Networks unit 22 -> zh

2026-04-27T03:51:05Z

Batch translate Convolutional Neural Networks unit 22 -> zh

New page

{| class="wikitable"
|-
! 架构 !! 年份 !! 关键贡献 !! 深度
|-
| '''LeNet-5''' || 1998 || 开创了用于手写数字识别（MNIST）的 CNN || 5 层
|-
| '''AlexNet''' || 2012 || 赢得 ImageNet；推广了 ReLU、dropout 和 GPU 训练 || 8 层
|-
| '''VGGNet''' || 2014 || 表明深度很重要；全程仅使用 <math>3 \times 3</math> 滤波器 || 16–19 层
|-
| '''GoogLeNet (Inception)''' || 2014 || 引入了具有并行滤波器尺寸的 inception 模块 || 22 层
|-
| '''ResNet''' || 2015 || 引入残差连接，使训练非常深的网络成为可能 || 50–152+ 层
|-
| '''DenseNet''' || 2017 || 通过密集块将每一层与之后的所有层相连 || 121–264 层
|-
| '''EfficientNet''' || 2019 || 对深度、宽度和分辨率进行复合缩放 || 可变
|}