卷积神经网络（CNN）近年来取得了长足的发展，是深度学习中的一颗耀眼明珠。CNN不仅能用来对图像进行分类，还在图像分割（目标检测）任务中有着广泛的应用。CNN已经成为了图像分类的黄金标准，一直在不断的发展和改进。
刘昕博士总结了CNN的演化历史，如下图所示：
CNN的起点是神经认知机模型，此时已经出现了卷积结构，经典的LeNet诞生于1998年。然而之后CNN的锋芒开始被SVM等模型盖过。随着ReLU、dropout的提出，以及GPU和大数据带来的历史机遇，CNN在2012年迎来了历史突破：AlexNet。随后几年，CNN呈现爆发式发展，各种CNN模型涌现出来。
CNN的主要演进方向如下：
1、网络结构加深
2、加强卷积功能
3、从分类到检测
4、新增功能模块
下图是CNN几个经典模型（AlexNet、VGG、NIN、GoogLeNet、ResNet）的对比图，可见网络层次越来越深、结构越来越复杂，当然模型效果也是越来越好：
本博客通过一系列的“大话深度学习”文章，全面详细地介绍了CNN进化史各个阶段的里程碑成果。
1、小白讲卷积：大话卷积神经网络（CNN）
2、卷积初尝试：大话CNN经典模型 LeNet
3、历史の突破：大话CNN经典模型 AlexNet
4、网络再加深：大话CNN经典模型VGGNet
5、增强卷积功能：大话CNN经典模型GoogLeNet
6、从分类到目标检测：大话目标检测模型（R-CNN、Fast R-CNN、Faster R-CNN）
7、网络深度创历史：大话深度残差网络（ResNet）
要真正深入了解学习这些CNN经典模型，最好的办法是仔细阅读相应的论文,
