原文地址：Inception-v4, Inception-ResNet and the Impact of Residual Connections on Learning
论文基于Inception结构和残差连接实现了3个网络：
Inception-v4Inception-ResNet-v1Inception-ResNet-v2通过实验证明了残差连接能够很好的改善训练速度，同时证明了非残差的Inception网络同样能够实现最好的分类精度
在目标检测和目标识别任务中，常用以下几种评价标准：
FLOPsFPSAccuracy/Error RatemAP结合PyTorch完成了相关评价标准的实现：zjZSTU/Evaluation-Metrics
相关实现文档：Evaluation-Metrics
论文Rethinking the Inception Architecture for Computer Vision对GoogLeNet和GoogleNet_BN的实现做了进一步的解释，同时提出了新的Inception模块和损失函数LSR(label-smoothing regularizer)
上一篇实现了Inception_v2架构，经过测试发现其损失收敛速度确实高于之前的GoogLeNet_BN。本文在此基础上实现Inception_v3架构
论文翻译地址：[译]Rethinking the Inception Architecture for Computer Vision
Inception_v2实现：[GoogLeNet]Inception_v2
发现一个在线可视化工具：Netscope CNN Analyzer，里面提供了Inception v3的可视化及详细参数：Inception v3
论文Rethinking the Inception Architecture for Computer Vision对GoogLeNet和GoogleNet_BN的实现做了进一步的解释，同时提出了新的Inception模块和损失函数LSR(label-smoothing regularizer)，本文实现其中的Inception_v2架构
论文翻译地址：[译]Rethinking the Inception Architecture for Computer Vision
论文Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift将批量归一化方法作用于卷积神经网络，通过校正每层输入数据的数据分布，从而达到更快的训练目的。在文章最后，添加批量归一化层到GoogLeNet网络，得到了更好的检测效果
学习了论文Going deeper with convolutions，尝试进一步推导其模型，并使用PyTorch实现该网络
学习论文Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift，里面提出了批量归一化（Batch Normalization，简称BN）方法，一方面能够大幅提高训练速度，另一方面也能够实现更好的模型精度
综合PASCAL VOC 2007和2012数据集，进行分类/检测任务。分两步完成：
07 trainval、07 test、12 trainval数据集，解析出分类/检测需要的数据相关实现：zjykzj/vocdev