亲测，附pytorch代码实现。深度学习经典论文AlexNet（一）：ImageNet Classification with Deep Convolutional Neural Networks

花了两个月的时间 终于把深度学习经典的论文都看了一遍 也算小有收获吧。现在将其整理出来，既增强个人理解和记忆，又可以和大家一起交流学习，何乐为不为？废话不多说，准备发车了，请捉紧时间上车~
首先这篇介绍的是深度学习领域的扛鼎之作–**ImageNet Classification with Deep Convolutional Neural Networks****也就是人们常说的（AlexNet）**可以毫不夸张的说，AlexNet的出现，开启了深度学习领域的热潮。Alexnet的网络架构是CNN的经典架构，对于想要入门深度学习邻域的小伙伴一定要精度呀~
首先放上论文地址：ImageNet Classification with Deep Convolutional Neural Networks

AlexNet的基本情况

训练了一个庞大的深层卷积神经网络，将ImageNet LSVRC-2010比赛中的120万张高分辨率图像分为1000个不同的类别。在测试数据上，取得了37.5％和17.0％的前1和前5的错误率，这比以前的先进水平要好得多。具有6000万个参数和650,000个神经元的神经网络由五个卷积层组成，其中一些随后是最大池化层，三个全连接层以及最后的1000个softmax输出。为了加快训练速度，使用了非饱和神经元和能高效进行卷积运算的GPU进行训练。为了减少全连接层中的过拟合，我们采用了最近开发的称为“dropout”的正则化方法

AlexNet的数据集

进行神经网络训练首先肯定得有数据，数据为王嘛！为此，AlexNet使用的训练集为Imagnet数据集，ImageNet是一个拥有超过1500万个已标记高分辨率图像的数据集，大概有22,000个类别，都是用人工和亚马逊的一个标记工具进行标记的。从2010起，每年都会举办ImageNet大型视觉识别挑战赛（ILSVRC）的比赛，用的就是Imagenet的子集，包括训练集，验证集，测试集。在该比赛中，常常用这两个指标去衡量你的网络架构的好坏：**top-1错误率和top-5错误率。top-1错误率就是说没有正确识别（分类）物体的次数，或者说预测出来的最大概率中的对象不是正确的对象，预测到其他的物体去了。top-5错误率就是说预测出来排名前五个最大概率的物体都不是正确的物体，正确的物体网络把它的识别概率判别为很低。**值得注意的是，并不是说把Imagenet的图像拿过来就可以用了，还得做些必要的处理。这里面最重要的就是：**对获得的图片进行尺寸缩放到固定的大小。完成这一步之后再将其送入网络当中训练。原因在于Alexnet具有全连接层，在你设计好全连接层的那一刻，权重参数便是一定的，因此输入的图片尺寸也必须