AlexNet网络

目录

1.输入层

2.C1层——卷积层

3.C2层——卷积层

4.C3层——卷积层

5.C4层——卷积层

6.C5层——卷积层

7.F1层——全连接层

8.F2层——全连接层

9.输出层

---

AlexNet网络包括8层（不含输入层）；前五层为卷积层，后三层为全连接层

1.输入层

输入层大小为227x227x3

2.C1层——卷积层

处理流程：卷积→ReLu→池化→归一化

（1）卷积：

输入：227x227 

卷积核：96个11x11x3 padding=0，stride=4

输出特征图：55x55x96

（227-11）/4+1

（2）ReLu

（3）池化：使用3x3步长为2的池化单元（重叠池化，步长小于池化单元的宽度）。输出为27x27x96（（55-3）/2+1）

（4）归一化：局部归一化，输出的仍为27x27x96，输出分为两组，每组的大小为27x27x48

3.C2层——卷积层

处理流程：卷积→ReLu→池化→归一化

（1）卷积：

输入：2组27x27x48，

卷积核：每组128个5x5x48的卷积核，padding=2，stride=1

输出：2组27x27x128（（27-5+2x2）/1+1）

（2）ReLu

（3）池化：使用3x3步长为2的池化单元（重叠池化，步长小于池化单元的宽度）。输出为13x13x256（（27-3）/2+1）

（4）归一化：局部归一化

4.C3层——卷积层

处理流程：卷积→ReLu

（1）卷积：

输入：13x13x256

卷积核：2组384个3x3x256的卷积核，padding=1，stride=1

输出：13x13x384（（13-3+2x1）/1+1）

（2）ReLu

5.C4层——卷积层

处理流程：卷积→ReLu

（1）卷积：

输入：13x13x384，分为两组，每组13x13x192

卷积核：2组192个3x3x192的卷积核，padding=1，stride=1

输出：13x13x384（（13-3+2x1）/1+1），分为两组，每组13x13x192

（2）ReLu

6.C5层——卷积层

处理流程：卷积→ReLu→池化

（1）卷积：

输入：13x13x384，分为两组，每组13x13x192

卷积核：2组128个3x3x192的卷积核，padding=1，stride=1

输出：13x13x256（（13-3+2x1）/1+1）

（2）ReLu

（3）池化：使用3x3步长为2的池化单元（重叠池化，步长小于池化单元的宽度）。输出为6x6x256（（13-3）/2+1）

7.F1层——全连接层

处理流程：全连接→ReLu→Dropout

（1）全连接：

输入：6x6x256

卷积核：2组4096个6x6x256的卷积核，padding=0，stride=1

        由于卷积核尺寸刚好与输入尺寸相同，即卷积核中的每个系数只与特征图（输入）尺寸的一个像素值相乘，一一对应，因此，该层被称为全连接层

输出：1x1x4096（（6-6）/1+1）

（2）ReLu

（3）Dropout:抑制过拟合，随机地断开某些神经元的连接或者是不激活某些神经元

8.F2层——全连接层

处理流程：全连接→ReLu→Dropout

（1）全连接：

输入：4096个向量

（2）ReLu

（3）Dropout:抑制过拟合

9.输出层

F2层输出的4096个数据与输出层1000个神经元进行全连接，经过训练后输出1000个float型的值，即预测结果