Keras AlexNet 网络实现 Kaggle 猫狗大战

关于用Keras搭建AlexNet网络，网上代码很多，但是大部分都有错误，我经过一天时间学习研究，写了这一份代码。

AlenNet网络的详细描述，这位大神写的非常好，除了他写的卷积——池化——归一化我不能苟同以外就没什么了。我认为应该是卷积——归一化——池化。

AlexNet是深度学习历史上的分水岭，影响深远，其创新点主要包括：relu函数做激活函数加快了训练速度，LRN法对数据做归一化，使用dropout层防止过拟合。

Keras在搭建AlexNet的主要问题包括：

1、原论文用的归一化方法是LRN，但是最新版包括我使用的Keras已经没有这个方法了，只有一个BatchNormalization()层可以用做归一化，勉强就这样吧，效果还算可以；

2、Keras我查了好久，卷积的过程中如果想在外层填充0的话只能选择卷积层里面padding参数为'same'，Google上也找到了一位大神持相同看法，毫无办法，但是幸好在这里不影响网络搭建；

3、卷积之后是先归一化再池化呢，还是先池化再归一化？网上各种说法的人都有，我们老师的PPT上是支持先归一化再池化，我就也持这种观点。

主体模型部分代码如下：

# AlexNet
model = Sequential()
#第一段
model.add(Conv2D(filters=96, kernel_size=(11,11),
                 strides=(4,4), padding='valid',
                 input_shape=(resize,resize,3),
                 activation='relu'))
model.add(BatchNormalization())
model.add(MaxPooling2D(pool_size=(3,3), 
                       strides=(2,2), 
                       padding='valid'))
#第二段
model.add(Conv2D(filters=256, kernel_size=(5,5), 
                 strides=(1,1), padding='same', 
                 activation='relu'))
model.add(BatchNormalization())
model.add(MaxPooling2D(pool_size=(3,3), 
                       strides=(2,2), 
                       padding='valid'))
#第三段
model.add(Conv2D(filters=384, kernel_size=(3,3), 
                 strides=(1,1), padding='same', 
                 activation='relu'))
model.add(Conv2D(filters=384, kernel_size=(3,3), 
                 strides=(1,1), padding='same', 
                 activation='relu'))
model.add(Conv2D(filters=256, kernel_size=(3,3), 
                 strides=(1,1), padding='same', 
                 activation='relu'))
model.add(MaxPooling2D(pool_size=(3,3), 
                       strides=(2,2), padding='valid'))
#第四段
model.add(Flatten())
model.add(Dense(4096, activation='relu'))
model.add(Dropout(0.5))

model.add(Dense(4096, activation='relu'))
model.add(Dropout(0.5))

model.add(Dense(1000, activation='relu'))
model.add(Dropout(0.5))

# Output Layer
model.add(Dense(2))
model.add(Activation('softmax'))

model.compile(loss='categorical_crossentropy',
              optimizer='sgd',
              metrics=['accuracy'])

在试验中我是用kaggle上的猫狗大战数据集，我从train数据集里读5000幅图像做训练集，其中2500幅猫2500幅狗，另读5000幅做测试集，同样是2500幅猫2500幅狗，发现最终在测试集上分类准确率能达到82%左右，效果确实不错。

我的代码和train文件夹在同一目录下，train文件夹里放的就是kaggle上下载的训练集图像。

完整代码在这个链接目录下的dogs_vs_cats_CNN.ipynb文件。