AlexNet网络结构与划分数据集

细节：

1.一块好的GPU相比CPU可以提升大约20-50倍的速度

2.使用relu而不使用sigmoid的原因主要是1）sigmoid求导比较麻烦。2）当网络比较深时，容易出现梯度消失的问题

3.过拟合现象

使用dropout可以减小参数来防止过拟合

二、AlexNet网络结构

这个网络可以分成两个部分，主要是由于作者当前使用了两块GPU,进行了并行计算，我们可以只看一部分。另一部分相同

1.conv1(网络第一个卷积层)

根据作者论文给的图可以看到输入特征图大小为[224, 224, 3]，卷积层大小为[11 * 11* 96],这里步长为4，上面和左边padding =1， 下面和右边padding = 2,因此输出为 N = [224 - 11 + (1 + 2)] / 4+ 1 = 55,则输出为[55 * 55 * 96]

第一个maxpooling层，这一层，卷积核大小为3 * 3，步长为2，计算后输出特征图大小为（55 - 3） / 2 + 1 = 27

以下不再用图，我们画表格来描述网络结构

操作	大小	输入特征图大小	输出特征图大小
Conv1	卷积层为：96个11 * 11 * 3的卷积核 步长F：2 Padding:上面与左边padding = 1 下面与右边padding = 2	224 *224 *3	55 * 55 *96
Maxpool1	大小为3 * 3 步长：2	55 * 55 * 96	27 * 27 * 96
Conv2	卷积层：256个5 * 5 * 96的卷积核 步长：1 Padding = 2	27 * 27 * 96	27 * 27 * 256
Maxpool2	大小为3 * 3 步长：2	27 * 27 * 256	13 * 13 * 256
Conv3	卷积层：384个3 * 3 * 256的卷积核 步长为：1 Padding = 1	13 * 13 * 256	13 * 13 * 384
Conv4	卷积层：384个3 * 3 * 384的卷积核 步长：1 Padding = 1	13 * 13 * 384	13 * 13 * 384
Conv5	卷积层：256个3 * 3 * 256的卷积核 步长：1 Padding = 1	13 * 13 * 384	13 * 13 * 256
Maxpool3	大小为：3 * 3 步长：2	13 * 13 * 256	6 * 6 * 256
Dense1		6 * 6 * 256	4096
Dense2		4096	4096
Dense3		4096	1000

以上就是AlexNet的网络结构

二、花数据集

接下来我们下载数据集

下载地址： https://storage.googleapis.com/download.tensorflow.org/example_images/flower_photos.tgz

划分数据集

运行split_data.py即可

可以设定训练集和测试集比例大小

split.py代码如下：

import os
from shutil import copy, rmtree
import random
 
 
def mk_file(file_path: str):
     if os.path.exists(file_path):
         # 如果文件夹存在，则先删除原文件夹在重新创建
        rmtree(file_path)
     os.makedirs(file_path)
 
 
def main():
    # 保证随机可复现
     random.seed(0)
 
    # 将数据集中10%的数据划分到验证集中
     split_rate = 0.1
 
    # 指向你解压后的flower_photos文件夹
     cwd = os.getcwd()
     data_root = os.path.join(cwd, "flower_data")
     origin_flower_path = os.path.join(data_root, "flower_photos")
     assert os.path.exists(origin_flower_path), "path '{}' does not exist.".format(origin_flower_path)
 
     flower_class = [cla for  cla in os.listdir(origin_flower_path)
                    if os.path.isdir(os.path.join(origin_flower_path,  cla))]
 
    # 建立保存训练集的文件夹
     train_root = os.path.join(data_root, "train")
     mk_file(train_root)
     for cla in  flower_class:
         # 建立每个类别对应的文件夹
        mk_file(os.path.join(train_root, cla))
 
    # 建立保存验证集的文件夹
     val_root = os.path.join(data_root, "val")
     mk_file(val_root)
     for cla in  flower_class:
         # 建立每个类别对应的文件夹
        mk_file(os.path.join(val_root, cla))
 
     for cla in  flower_class:
        cla_path = os.path.join(origin_flower_path,  cla)
        images = os.listdir(cla_path)
        num = len(images)
         # 随机采样验证集的索引
        eval_index = random.sample(images, k=int(num*split_rate))
        for  index, image in enumerate(images):
            if  image in eval_index:
                # 将分配至验证集中的文件复制到相应目录
                image_path = os.path.join(cla_path, image)
                new_path = os.path.join(val_root, cla)
                copy(image_path, new_path)
            else:
                # 将分配至训练集中的文件复制到相应目录
                image_path = os.path.join(cla_path, image)
                new_path = os.path.join(train_root, cla)
                copy(image_path, new_path)
            print("\r[{}] processing [{}/{}]".format(cla, index+1, num),  end="")  # processing bar
        print()
 
     print("processing done!")
 
 
if __name__ == '__main__':
     main()