注：模型的性能可以根据数据集和它的超参数来比较。因为有必要分析哪个模型适合给定的研究问题。
在这篇文章中，我将根据我对人脸面具检测😷的观察，讨论该模型是如何工作的。
通常用于图像分类的模型有：
- AlexNet :由多伦多大学的Alex Krizhevsky、Ilya Sutskever和Geoffrey Hinton设计的一个深度卷积神经网络（CNN）。它在2012年的ImageNet大规模视觉识别挑战赛（ILSVRC）中取得了15.3%的前五名错误率，大大低于亚军的26.2%的错误率，赢得了冠军。AlexNet是最早的深度CNN之一，展示了深度学习在图像识别任务中的力量。它由八个学习层组成，包括五个卷积层和三个完全连接层。AlexNet的架构如下：
来源：www.kaggle.com/code/blurre…
- 输入是一个大小为224x224像素的RGB图像。
- 第一层是卷积层，有96个大小为11x11的过滤器，跨度为4像素。输出通过一个整流线性单元（ReLU）激活函数，然后通过一个跨度为2的最大集合层。
- 第二层也是一个卷积层，有256个大小为5x5的过滤器，跨度为1。同样，输出通过ReLU激活函数，然后通过跨度为2的最大集合层。
- 第三层是一个卷积层，有384个大小为3x3的滤波器，跨度为1，这一层之后没有池化层。
- 第四层是一个卷积层，有384个大小为3x3的滤波器，跨度为1，同样，这一层之后没有集合层。
- 第五层是卷积层，有256个大小为3x3的滤波器，跨度为1，这一层之后是跨度为2的最大集合层。
- 全连接层每个有4096个神经元。最后一层有1000个神经元，对应ImageNet数据集中的1000个类别。
AlexNet使用了几种技术来提高性能，包括使用ReLU激活，减少过拟合（Dropout,Data Augmentation），局部响应归一化，重叠池化。使用GPU进行训练也使得训练时间更快。
什么是局部响应归一化？
局部响应归一化是应用于AlexNet的，根据其相同激活图中的相邻神经元来归一化每个神经元的输出。LRN的主要目标是加强神经元识别的重要特征，避免不相关的特征。
LRN应用于激活函数之后和最大集合（向下采样）之前。
2.VGG19
VGG19是一个深度卷积神经网络架构，由牛津大学的视觉几何小组（VGG）开发。Simonyan和Zisserman在2014年的论文 "Very Deep Convolutional Networks for Large-Scale Image Recognition "中介绍了它。
VGG19架构由19层组成，包括16个卷积层和3个完全连接层。卷积层的固定核大小为3x3，步长为1，之后是最大集合层，核大小为2x2，步长为2。 完全连接层每个有4096个神经元，之后是最后的输出层，有1000个神经元，对应于1000个ImageNet类别。
VGG19架构以其在图像识别任务中的简单性和高精确度而闻名，并在许多计算机视觉应用中被用作基础模型。然而，它也是一个计算昂贵的模型，训练和推理都需要大量的内存和处理能力。
来源:https://www.kaggle.com/code/sagnik1511/transfer-learning-with-vgg-19
