为了在充分利用计算资源的前提下提高模型的整体性能，作者使用了Inception模型。 这个模型如下图所示。 可见，类似金字塔的模型使用宽度并联的不同大小的卷积核，增加了卷积核的输出宽度。 模型的准确性和鲁棒性取决于许多因素，包括层的类型、网络深度、网络中各种类型层的配置、每层选择的功能和训练数据。 在后面的第二个卷积层C2中，卷积核的大小为5x5x48，因此再次进行卷积运算。

层数只有7层，在目前庞大的神经网络中非常少，但包括卷积层、池化层、全连接层，麻雀可谓五脏俱全。 虽然CNN的每一层具有不同的功能，但传统神经网络的每一层都是对上层特征进行线性回归和非线性变换的操作。 全部卷积的卷积核尺寸也为13132561313256。 第五行中的Inception module与上述结果的输出结果并行连接，以增加网络宽度。

LeNet-5模型由Yann LeCun教授于1998年提出，是第一个成功大规模应用于手写数字识别问题的卷积神经网络，在MNIST数据集上的正确率可达99.2%。 这种现象主要是因为随着神经网络层数的增加，梯度消失的现象越来越明显。

人工神经网络( Artificial Neural Networks，简称ANNs )也简称神经网络( NNs )或连接模型( Connection Model )，是动物神经网络首先作者构建了两个plain网络。 这两个网络分别在18层和34层，之后作者又设计了两个残差网络。 层数也分别为18楼和34楼。

三是VGG网络的池化层特征池化核改为2×2，AlexNet网络的池化核改为3×3。 池化层包含6个特征映射，每个映射的像素值为14×14。 这种池化层非常重要，在一定程度上提取了网络特征的同时，运算量也大大降低，减少了网络结构过拟合的风险。

在Alexnet网络中各层发挥着不同的作用。 ReLU、多个CPU是为了提高训练速度，重叠pool池化是为了提高精度且不易引起过拟合，局部归一化响应是为了提高精度，数据增益和dropout是过拟合的Resnet模型后，有人试图改进Resnet模型，ResNeXt模型应运而生。

ResNet可以很深，但是如上图所示，如果网络很深，也就是说有很多层，则数据传输的路径实际上是相对固定的。