resnet和Googlenet的优缺点

ResNet（残差网络）和GoogleNet（Inception-v1网络）都是深度卷积神经网络的经典模型，各有其优点和缺点：

**ResNet的特点及优点：**
1. **解决梯度消失问题**：通过引入残差块（Residual Blocks），使得深层网络训练变得更为容易，解决了传统深层网络训练过程中梯度消失的问题。
2. **更深的网络设计**：由于使用了残差连接，能够方便地构建几百层甚至上千层的深度网络，这有助于提取更复杂的特征。
3. **性能稳定**：ResNet在ImageNet等大规模图像识别任务上取得了非常好的结果，验证了其在复杂场景下的鲁棒性和稳定性。

**ResNet的缺点：**
1. **模型复杂度高**：虽然能够训练很深的网络，但是由于结构复杂，计算量大，可能导致模型大小较大和训练时间较长。
2. **较少关注全局信息**：由于残差块主要是局部更新，对整个图景的理解不如一些全局操作强。

**GoogleNet的特点及优点：**
1. **模块化设计**：通过Inception模块，同时处理不同尺度的特征，结合了宽度（更多滤波器）和深度（更多层）的优势。
2. **计算效率较高**：相比其他深层网络，GoogleNet使用了1x1、3x3和5x5的滤波器组合，减少了参数数量，提高了计算效率。
3. **创新思路**：首次引入了“深度可分”（Depthwise Separable Convolution）的概念，简化了卷积运算。

**GoogleNet的缺点：**
1. **结构相对复杂**：尽管模块化设计使得理解起来较为困难，但对于一些简单的任务可能优势不明显。
2. **内存消耗大**：尽管计算效率提高，但多通道并行处理会占用较多内存资源。