机器学习/深度学习入门：AlexNet模型实现

AlexNet：ILSVRC2012年冠军

改进

（1）成功使用ReLU作为CNN的激活函数，并验证其效果在较深的网络超过了Sigmoid，成功解决了Sigmoid在网络较深时的梯度弥散问题。虽然ReLU激活函数在很久之前就被提出了，但是直到AlexNet的出现才将其发扬光大。

（2）训练时使用Dropout随机忽略一部分神经元，以避免模型过拟合。Dropout虽有单独的论文论述，但是AlexNet将其实用化，通过实践证实了它的效果。在AlexNet中主要是最后几个全连接层使用了Dropout。

（3）在CNN中使用重叠的最大池化。此前CNN中普遍使用平均池化，AlexNet全部使用最大池化，避免平均池化的模糊化效果。并且AlexNet中提出让步长比池化核的尺寸小，这样池化层的输出之间会有重叠和覆盖，提升了特征的丰富性。

（4）提出了LRN层（Local Response Normalization局部响应归一化），对局部神经元的活动创建竞争机制，使得其中响应比较大的值变得相对更大，并抑制其他反馈较小的神经元，增强了模型的泛化能力。

（5）多GPU训练(两个GPU，每个GPU显存中存储一半的神经元参数)和数据增强(降低过拟合)

输入层：227*227*3===》C1（relu）、lrn1、pool1（最大池化）===》C2（relu）、lrn2、pool2（最大池化）===》C3（relu）===》C4（relu）===》C5（relu）===》F6、Dropou6===》F7、Dropout7===》F8（输出层）

TensorFlow实现

网络结构如下：

#!/usr/bin/env python
# -*- coding: utf-8 -*-
# @Time    : 2018/7/23 9:53
# @Author  : HJH
# @Site    : 
# @File    : AlexNet.py
# @Software: PyCharm


impo