Alexnet介绍

一、Alexnet是什么?

AlexNet是一种深度卷积神经网络，由Alex Krizhevsky、Ilya Sutskever和Geoffrey Hinton在2012年提出。发表在NIPS，论文名为《ImageNet Classification with Deep Convolutional Neural Networks》，论文见：http://www.cs.toronto.edu/~hinton/absps/imagenet.pdf .

它被广泛应用于计算机视觉领域的图像分类任务,  它是第一个在ImageNet大规模图像识别挑战赛上取得显著成功的深度学习模型。

二、Alexnet的结构

图中包含了GPU通信的部分。这是由当时GPU受限制引起的，作者使用两块GPU进行计算，因此分为上下两部分.

AlexNet是一种深度学习网络模型，用于图像分类任务。在该模型中，为了增加数据的多样性和丰富性，在输入网络之前，从256×256大小的图像中随机裁剪出227×227大小的图像作为输入。原本论文中提到的输入尺寸为224×224是一个错误，正确的输入尺寸应为227×227。

整体结构由5个卷积层(Convolution、ReLU、LRN、Pooling)+3个全连接层组成.

1. 输入层(Input)：图像大小227*227*3.

2. 第一个卷积层C1: 使用96个11*11的filter，stride为4，padding为0,卷积层后跟ReLU,因此输出的尺寸为 （227-11）/4+1=55,因此其输出的每个特征图 为 55*55*96

训练参数为 (11*11*3*96)+96=34944  同时后面经过LRN层处理,尺寸不变.

3.最大池化层：filter为3*3，stride为2，padding为0，输出为27*27*96，96个feature maps

4.第二个卷积层C2 : 使用256个5*5的filter，stride为1，padding为2，输出为27*27*256，256个feature maps，训练参数(5*5*96*256)+256=614656。

5..最大池化层：filter为3*3，stride为2，padding为0，输出为13*13*256，256个feature maps。

6. 第三个卷积层C3+ReLU：使用384个3*3的filter，stride为1，padding为1，输出为13*13*384，384个feature maps，训练参数(3*3*256*384)+384=885120。

7. 第四个卷积层C4+ReLU：使用384个3*3的filter，strid