ResNet 深度深
每一个
Inception 宽度广
一个Kernel（一个核KKD，设D个通道channel）就是一个对应的feature map. 第一个核会在每一个通道上都（卷积）走一遍，然后将对应每个通道的卷积值加起来，形成第一个feature map. 其他依此类推。对于各个通道而言，核的值均可不一样，所以D个通道并不共享权值，所谓权值共享是在整张图上不同位置会共享同一个kernel。
多通道卷积
对于D通道图像的各通道而言，是在每个通道上分别执行二维卷积，然后将D个通道加起来，得到该位置的二维卷积输出，对于RGB三通道图像而言，就是在R，G，B三个通道上分别使用对应的每个通道上的kernel_sizekernel_size大小的核去卷积每个通道上的WH的图像，然后将三个通道卷积得到的输出相加，得到二维卷积输出结果。因此，若有M个卷积核，可得到M个二维卷积输出结果，即M个Feature map,这m个特征图是取决于m个卷积核，而通道在这里被消去了。而下一层的卷积核的个数又是由上一层的kernel数决定的。Conv 1*1的核 能够保持输出图和原图一样，且计算量较小。在有padding的情况下，也能保持输出图片大小和原来的一样，因此是output(W,H,M)。
如果这里有连着的一堆差不多同质的数据 就可认为是把某个作为一帧中的多个通道堆叠起来进行卷积，然后输出一个具有几个feature map(由核的数目决定)的输出。
每一层都连着其以下的所有层，或者说每一层都与前面各层相连，且中间使用batch-normalization.
每个卷积层的输出feature map数量很少，该连接方式使得特征和梯度的传递更加有效。
Each layer has direct access to the gradients from the loss function and the original input signal, leading to an implicit deep supervision. alleviate the overfitting.
因为梯度在很多层之间不停地传递，这样就会出现层数越深梯度消失的情况。对于densenet，每层都可以直接 从损失函数和原始输入信号中获取梯度，从而带来隐含的深度监督。
dense connection 的这种连接方式减少了网络的参数，可在一定程度上抑制过拟合。
网络更窄，参数更少。 DenseNet [….] 表示将0到l-1层的输出feature map做concatenation。concatenation是做通道的合并，就像Inception那样。
denseblock
在两个相邻的denseblock之间，使用了卷积和池化操作，作为转移层和改变feature map的尺寸。
k=卷积核的数量即grow rate. 作者选择k=32 或者48.( 每个dense block中每层输出的feature map个数)
bottleneck layer每个dense block 的33卷积前都包含了一个11的卷积操作。另外这里每个dense block的33卷积前面都包含了一个11的卷积操作，就是所谓的bottleneck layer，目的是减少输入的feature map数量，既能降维减少计算量，又能融合各个通道的特征，何乐而不为。另外作者为了进一步压缩参数，在每两个dense block之间又增加了11的卷积操作。
因此在后面的实验对比中，如果你看到DenseNet-C这个网络，表示增加了这个Translation layer，该层的11卷积的输出channel默认是输入channel到一半。如果你看到DenseNet-BC这个网络，表示既有bottleneck layer，又有Translation layer。
再详细说下bottleneck和transition layer操作。在每个Dense Block中都包含很多个子结构，以DenseNet-169的Dense Block（3）为例，包含32个11和33的卷积操作，也就是第32个子结构的输入是前面31层的输出结果，每层输出的channel是32（growth rate），那么如果不做bottleneck操作，第32层的33卷积操作的输入就是3132+（上一个Dense Block的输出channel），近1000了。而加上11的卷积，代码中的11卷积的channel是growth rate4，也就是128，然后再作为33卷积的输入。这就大大减少了计算量，这就是bottleneck。至于transition layer，放在两个Dense Block中间，是因为每个Dense Block结束后的输出channel个数很多，需要用11的卷积核来降维?；故且訢enseNet-169的Dense Block（3）为例，虽然第32层的33卷积输出channel只有32个（growth rate），但是紧接着还会像前面几层一样有通道的concat操作，即将第32层的输出和第32层的输入做concat，前面说过第32层的输入是1000左右的channel，所以最后每个Dense Block的输出也是1000多的channel。因此这个transition layer有个参数reduction（范围是0到1），表示将这些输出缩小到原来的多少倍，默认是0.5，这样传给下一个Dense Block的时候channel数量就会减少一半，这就是transition layer的作用。文中还用到dropout操作来随机减少分支，避免过拟合，毕竟这篇文章的连接确实多。
