前言
这里将着重介绍网络的结构构成，不涉及原理讲解。
一.与VGG的比较
DarkNet-19卷积神经网络与VGG的不同：
1.激活函数由ReLu转变为Leaky ReLu
2.部分3x3卷积核转变为1x1卷积核，使用到了更小的卷积核
3.新增批量归一化（batchnorm层）
4.不再单一的最大化池化，使用全局平均池化和最大池化组合使用\
二.DarkNet-19组织结构介绍
输入数据（图像：256*256*3） 卷积层（3*3） 批量归一化（batchnorm ） 激活函数（Leaky ReLu） 最大池化（pool） 卷积层（3*3） 批量归一化（batchnorm ） 激活函数（Leaky ReLu） 最大池化（pool） 卷积层（3*3） 批量归一化（batchnorm ） 激活函数（Leaky ReLu） 卷积层（3*3） 批量归一化（batchnorm ） 激活函数（Leaky ReLu） 卷积层（3*3） 批量归一化（batchnorm ） 激活函数（Leaky ReLu） 最大池化（pool） 卷积层（3*3） 批量归一化（batchnorm ） 激活函数（Leaky ReLu） 卷积层（3*3） 批量归一化（batchnorm ） 激活函数（Leaky ReLu） 卷积层（3*3） 批量归一化（batchnorm ） 激活函数（Leaky ReLu） 最大池化（pool） 卷积层（3*3） 批量归一化（batchnorm ） 激活函数（Leaky ReLu） --卷积层（1*1）-- 批量归一化（batchnorm ） 激活函数（Leaky ReLu） 卷积层（3*3） 批量归一化（batchnorm ） 激活函数（Leaky ReLu） --卷积层（1*1）-- 批量归一化（batchnorm ） 激活函数（Leaky ReLu） 卷积层（3*3） 批量归一化（batchnorm ） 激活函数（Leaky ReLu） 最大池化（pool） 卷积层（3*3） 批量归一化（batchnorm ） 激活函数（Leaky ReLu） --卷积层（1*1）-- 批量归一化（batchnorm ） 激活函数（Leaky ReLu） 卷积层（3*3） 批量归一化（batchnorm ） 激活函数（Leaky ReLu） --卷积层（1*1）-- 批量归一化（batchnorm ） 激活函数（Leaky ReLu） 卷积层（3*3） 批量归一化（batchnorm ） 激活函数（Leaky ReLu） 卷积层（3*3） 全局平均池化（avg） saftmax层 输出数据（output）
通过上述的结构逻辑可以看出基本的卷积构成仍然为：卷积层+激活函数+池化层组成，经过多年的迭代，仍是处于这“三板斧”的构造
三. DarkNet-19内部参数详细表
