在 2017 年之前，通过 imagnet 年度竞赛来了解哪个 CNN 对图像进行分类比较容易。
2017年imagenet比赛分为tasks不同的this等获胜者。 2018 年，比赛转移到了 kaggle，变成了 3D 检测。
我只对图像分类感兴趣，似乎不再有这方面的竞争。
有谁知道 2018 年哪种神经网络被公认为最适合图像分类？
【问题讨论】：
标签： machine-learning neural-network classification conv-neural-network imagenet
如果我没记错的话，我认为它是 Google 的 NasNet。这是一种用于设计模型架构的非常酷（和计算机密集型）的方法，但对迁移学习和预测很有用。我建议看看NasNet-paper
它也应该可以通过keras.application使用
【讨论】：
这是一个非常好的问题。我想知道同样的问题，并玩弄了TensorFlow Hub 上的一些模型。所以，这是我的两分钱。
目前在 ImageNet 上性能最好的模型是使用Progressive Neural Architecture Search 获得的模型。另一方面，这些模型的训练速度非常慢，因为它们非常庞大。对于 InceptionNet、ResNet 和 VGG 等模型，这是一个good link，用于检查与训练/推理速度相比的性能。
我个人的经验是，如果你想最大化性能，请使用ResNet152。如果您想要一个相对较快的 CNN，同时获得良好的性能，请使用 ResNet50。对于 VGG 网络，我使用了 TF-Slim implementation，但它比 ResNet50 慢，性能大致相同。最后，关于《盗梦空间》我不能多说，因为我没用过。最后，我选择了 ResNet152，因为它为我提供了最好的性能（请注意，我使用的是预训练版本，并且我正在根据我的任务对其进行微调）。
总而言之，我认为没有一般的最好的CNN。我会避免使用 VGG16/19，因为它的性能比 ResNet50 更差，而且速度更慢。如果您可以使用大量计算能力，请使用 Resnet152 或 PNASNet。同样，这是基于我在 TF-Hub 上使用预训练模型的个人经验得出的观点。
【讨论】：