IMAGENET网络主要包括以下几种：

  1. VGGNet：VGGNet是Visual Geometry Group（VGG）提出的一种深度卷积神经网络结构。它主要由VGG-16、VGG-19等版本构成。这些网络通过堆叠多个卷积层和池化层来提取图像特征，并在ImageNet数据集上取得了优异的分类性能。

  2. ResNet：ResNet（残差网络）是微软亚洲研究院提出的深度残差网络结构。它通过引入残差连接来解决深度神经网络训练过程中的梯度消失和表示瓶颈问题，从而实现了更深层次的网络结构，并在ImageNet数据集上取得了更好的分类效果。

  3. Inception：Inception网络是Google提出的一种基于深度可分离卷积的神经网络结构。它通过将标准卷积分解为多个小卷积核，并使用1x1的卷积核进行降维处理，从而实现了计算效率和性能的双重提升。

  4. DenseNet：DenseNet是一种具有密集连接特性的深度神经网络结构。它通过将每个层的输出直接连接到后续所有层，形成了一个密集的连接网络。这种连接方式有助于提高网络的深度和性能，同时在ImageNet数据集上也能取得不错的分类效果。

  5. SENet：SENet（Squeeze-and-Excitation Networks）是一种引入通道注意力机制的深度神经网络结构。它通过显式地学习每个通道的重要性，并对通道权重进行自适应调整，从而提高了网络的性能和泛化能力。

***还有一些其他的网络结构，如MobileNet（适用于移动设备）、ShuffleNet（通过通道重排和深度可分离卷积来提高效率）以及EfficientNet（通过联合缩放方法来平衡模型的大小和性能）等，这些网络结构也在IMAGENET数据集上进行了测试和验证。

以上信息仅供参考，如有需要，建议咨询专业人士获取更准确的信息。