常用卷积神经网络分类模型

以下是一些常用的卷积神经网络分类模型：

1. LeNet：是卷积神经网络的第一个实验型模型，由于其简单而有效的结构，被广泛应用于手写数字识别等领域。

2. AlexNet：是由Alex Krizhevsky等人在2012年提出的深度卷积神经网络模型，其在ImageNet比赛中夺得了冠军，标志着深度学习在计算机视觉领域的应用开始进入大规模的阶段。

3. VGGNet：由Simonyan和Zisserman在2014年提出。该模型采用小的卷积核和深层的网络结构，提高了模型的准确率。

4. GoogLeNet（Inception）：由Google团队在2014年提出。该模型采用了Inception模块，可以有效地减少模型的参数数量。

5. ResNet：由Microsoft Research团队在2015年提出。该模型采用了残差学习，可以使网络更深，并且减少梯度消失的问题，提高了模型的准确率。

6. DenseNet：由Gao Huang等人在2016年提出。该模型采用了密集连接，可以增加网络层数，并且减少梯度消失的问题，提高了模型的准确率。

这些模型都是经典的卷积神经网络模型，被广泛应用于图像分类、物体检测、语义分割等领域。