AlexNet网络结构详解

××AlexNet××

××第一个卷积层××
输入的图片大小为:224×224×3（或者是227×227×3）
第一个卷积层为:11×11×96即尺寸为11×11,有96个卷积核,步长为4,卷积层后跟ReLU,因此输出的尺寸为(224-11)/4+1=55，因此其输出的每个feature map 为 55×55×96,同时后面跟LRN层,尺寸不变.
最大池化层,核大小为3×3,步长为2,因此feature map的大小为:27×27×96.
××第二层卷积层××
输入的tensor为27×27×96
卷积核的大小为: 5×5×256,步长为1,pad=2，group=2，尺寸不会改变,同样紧跟ReLU,和LRN层.因此，输出的尺寸为(27+2×2-5)/1+1=27，为27×27×256
最大池化层,和大小为3×3,步长为2,因此feature map为:13×13×256

××第三层至第五层卷积层××
输入的tensor为13×13×256
第三层卷积为 3×3×384,步长为1,加上ReLU，注意这里的group为1，因为看图这里相当于合并了，输出尺寸为(13+1×2-3)/1+1=13，输出为13×13×384
第四层卷积为 3×3×384,步长为1,加上ReLU，输出为13×13×384
第五层卷积为 3×3×256,步长为1,加上ReLU，输出为13×13×256
第五层后跟最大池化层,核大小3×3,步长为2,因此feature map:6×6×256
经过了一个池化层为
6×6×256
××接下来的三层为全连接层××,分别为:
Fc6：输入为（6×6×256）×4096个全连接层，生成的特征图为1×1×4096
加入了Dropout层，为Dropout6，在训练时以1/2的概率使隐藏层的某些神经元的输出为0，这样就丢掉了一般节点的输出，这些节点在BP时也不更新，生成的特征图为1×1×4096.
FC7：
输入: 1×1×4096,输出为1×1×4096，总参数为4096×4096
Dropout7，生成特征图为1×1×4096.
FC8:
输入: 1×1×4096,输出为1×1×1000，总参数为4096×1000