144 | 基于深度学习的计算机视觉技术（二）：基本的深度学习模型

在上一期的介绍里，我们讨论了以深度学习为背景的计算机视觉技术，重点讲解了为什么需要深度学习，特别是从传统模型的眼光来看深度学习模型的特点。

聊起西方文明，我们通常言必称希腊，古希腊有三大哲学家：苏格拉底、柏拉图和亚里士多德。而聊起大数据，我们通常言必称谷歌，谷歌有“三驾马车”：谷歌文件系统（GFS）、MapReduce 和 BigTable。

145 | 基于深度学习的计算机视觉技术（三）：深度学习模型的优化

在上一讲的分享里，我们聊了应用到图像上的一些最基本的深度学习模型，主要讨论了前馈神经网络和卷积神经网络的定义，以及它们在图像处理上的应用。

在大数据发展史上有过一场非常著名的论战，这场争议影响深远，值得大书特书：其中一方是数据库领域的元老级人物迈克尔 · 斯通布雷克（Michael Stonebraker）和大卫 · 德威特（David Dewitt）。另外一方是主导了谷歌技术发展的杰夫 · 迪恩（Jeff Dean）。这两群人就谷歌“三架马车”之一的 MapReduce 和数据库到底谁好谁坏，争得不可开交。

146 | 计算机视觉领域的深度学习模型（一）：AlexNet

我们继续来讨论基于深度学习的计算机视觉技术。从今天开始，我们进入一个新的模块，我会结合几篇经典的论文，给你介绍几个专门为计算机视觉而提出来的深度学习模型。这些模型都在最近几年的深度学习发展中，起到了至关重要的作用。

谷歌的大数据之路，上半场以“三驾马车”（谷歌文件系统、MapReduce 和 BigTable）开始，却以被 Hadoop 开源生态系统全面山寨了自己的“三驾马车”而结束。

147 | 计算机视觉领域的深度学习模型（二）：VGG & GoogleNet

在上第一期的分享中，我们通过一篇经典论文讲了 AlexNet 这个模型。可以说，这篇文章是深度学习在计算机视觉领域发挥作用的奠基之作。

在信息化时代，技术发展日新月异，知识更新的速度也是越来越快。以前我们可以安安稳稳地坐在教室里，等到一本写得不错的教材出来，再去系统地学习知识。而现在，我们却必须选择去读那些最新发表出来的技术论文，因为只有这样才能赶得上时代发展的潮流。

148 | 计算机视觉领域的深度学习模型（三）：ResNet

今天我们继续来讨论经典的深度学习模型在计算机视觉领域应用。今天和你分享的论文是《用于图像识别的深度残差学习》（Deep Residual Learning for Image Recognition）[1]。这篇论文获得了 CVPR 2016 的最佳论文，在发表之后的两年间里获得了超过 1 万 2 千次的论文引用。

在谷歌崛起之前的很长一段时间里，雅虎一直是互联网行业的“老大哥”。虽然随着互联网行业的发展，谷歌的市场影响力越来越强，雅虎的日子越来越不好过，但雅虎仍是“瘦死的骆驼比马大”。谷歌发表了“三驾马车”的论文，开启了大数据时代，雅虎作为当时互联网行业的老大，也希望能用上类似“三驾马车”的系统。