DenseNet和ResNet一样都是一篇佳作，这种文章属于一看就懂，思路和模型的架构都是非常的简洁明了，同时文中没有让人头痛的数学公式，数学功底不扎实的人也可以看得懂。唯一的问题就是这么简单的思路为啥我们想不到呢！！！
先上图，再说明，如下图一：
图一 Denseblock
上图只是DenseNet里的一个Denseblock，可以看到DenseNet同样用到了ResNet的跳跃连接，只是前者属于疯狂使用，DenseNet的每一层输入全部来自在它之前的每一层输出，相比于一般的网络，他们的输入都来自于前一层的输出，而不是前面每一层的输出，两者不是同一个概念。这样的话，在前向传播时，深层网络能获得浅层的信息，而反向传播时，浅层网络能获得深层的梯度信息，从而加强了特征的复用。
图二 DenseNet完整架构
上图二是一个完整的 DenseNet结构，因为在网络中要用到下采样，会使特征图的尺寸减小，不同尺寸的特征图无法堆叠在一起，所以作者将 DenseNet网络分成了一块一块的，即Denseblock ，在Denseblock里面做稠密连接，上图在两个Denseblock之间有一个卷积层和池化层，前者用到的是我经常提的1x1卷积，对上一层的输出进行压缩，降维，池化层主要是减小特征图尺寸，提取主要特征，当然也有降维作用，这两个加在一起就是文中说的转换层（Transition Layer）
DenseNet卷积层的通道数相比其他网络的上百个，就只有几十个，所以在一定程度上减少了过拟合现象的发生。
