一起养成写作习惯！这是我参与「掘金日新计划 · 4 月更文挑战」的第7天，点击查看活动详情。
前言
这里将着重介绍网络的结构构成，不涉及原理讲解。
一.与VGG的比较
DarkNet-19卷积神经网络与VGG的不同：
1.激活函数由ReLu转变为Leaky ReLu
2.部分3x3卷积核转变为1x1卷积核，使用到了更小的卷积核
3.新增批量归一化（batchnorm层）
4.不再单一的最大化池化，使用全局平均池化和最大池化组合使用\
二.DarkNet-19组织结构介绍
输入数据（图像：256*256*3）
卷积层（3*3）
批量归一化（batchnorm ）
激活函数（Leaky ReLu）
最大池化（pool）
卷积层（3*3）
批量归一化（batchnorm ）
激活函数（Leaky ReLu）
最大池化（pool）
卷积层（3*3）
批量归一化（batchnorm ）
激活函数（Leaky ReLu）
卷积层（3*3）
批量归一化（batchnorm ）
激活函数（Leaky ReLu）
卷积层（3*3）
批量归一化（batchnorm ）
激活函数（Leaky ReLu）
最大池化（pool）
卷积层（3*3）
批量归一化（batchnorm ）
激活函数（Leaky ReLu）
卷积层（3*3）
批量归一化（batchnorm ）
激活函数（Leaky ReLu）
卷积层（3*3）
批量归一化（batchnorm ）
激活函数（Leaky ReLu）
最大池化（pool）
卷积层（3*3）
批量归一化（batchnorm ）
激活函数（Leaky ReLu）
--卷积层（1*1）--
批量归一化（batchnorm ）
激活函数（Leaky ReLu）
卷积层（3*3）
批量归一化（batchnorm ）
激活函数（Leaky ReLu）
--卷积层（1*1）--
批量归一化（batchnorm ）
激活函数（Leaky ReLu）
卷积层（3*3）
批量归一化（batchnorm ）
激活函数（Leaky ReLu）
最大池化（pool）
卷积层（3*3）
批量归一化（batchnorm ）
激活函数（Leaky ReLu）
--卷积层（1*1）--
批量归一化（batchnorm ）
激活函数（Leaky ReLu）
卷积层（3*3）
批量归一化（batchnorm ）
激活函数（Leaky ReLu）
--卷积层（1*1）--
批量归一化（batchnorm ）
激活函数（Leaky ReLu）
卷积层（3*3）
批量归一化（batchnorm ）
激活函数（Leaky ReLu）
卷积层（3*3）
全局平均池化（avg）
saftmax层
输出数据（output）
通过上述的结构逻辑可以看出基本的卷积构成仍然为：卷积层+激活函数+池化层组成，经过多年的迭代，仍是处于这“三板斧”的构造
