1. 简介
使用了8层卷积神经网络,前5层是卷积层,剩下的3层是全连接层
2.结构
值得注意的一点:原图输入224 × 224,实际上进行了随机裁剪,实际大小为227 × 227。
2.1 卷积层C1
C1的基本结构为:卷积–>ReLU–>池化
- 卷积:输入227 × 227 × 3,96个11×11×3的卷积核,不扩充边缘padding = 0,步长stride = 4,因此其Feature Map大小为(227-11+0×2+4)/4 = 55,即55×55×96;
- 激活函数:ReLU;
- 池化:池化核大小3 × 3,不扩充边缘padding = 0,步长stride = 2,因此其Feature Map输出大小为(55-3+0×2+2)/2=27, 即C1输出为27×27×96(此处未将输出分到两个GPU中,若按照论文将分成两组,每组为27×27×48);
2.2 卷积层C2
C2的基本结构为:卷积–>ReLU–>池化
- 卷积:输入27×27×96,256个5×5×96的卷积核,扩充边缘padding = 2, 步长stride = 1,因此其Feature Map大小为(27-5+2×2+1)/1 = 27,即27×27×256;
- 激活函数:ReLU;
- 池化:池化核大小3 × 3,不扩充边缘padding = 0,步长stride = 2,因此其Feature Map输出大小为(27-3+0+2)/2=13, 即C2输出为13×13×256(此处未将输出分到两个GPU中,若按照论文将分成两组,每组为13×13×128);
2.3 卷积层C3
C3的基本结构为:卷积–>ReLU。注意一点:此层没有进行MaxPooling操作。
- 卷积:输入13×13×256,384个3×3×256的卷积核, 扩充边缘padding = 1,步长stride = 1,因此其Feature Map大小为(13-3+1×2+1)/1 = 13,即13×13×384;
- 激活函数:ReLU,即C3输出为13×13×384(此处未将输出分到两个GPU中,若按照论文将分成两组,每组为13×13×192);
2.4 卷积层C4
C4的基本结构为:卷积–>ReLU。注意一点:此层也没有进行MaxPooling操作。
- 卷积:输入13×13×384,384个3×3×384的卷积核, 扩充边缘padding = 1,步长stride = 1,因此其Feature Map大小为(13-3+1×2+1)/1 = 13,即13×13×384;
- 激活函数:ReLU,即C4输出为13×13×384(此处未将输出分到两个GPU中,若按照论文将分成两组,每组为13×13×192);
2.5 卷积层C5
C5的基本结构为:卷积–>ReLU–>池化
- 卷积:输入13×13×384,256个3×3×384的卷积核,扩充边缘padding = 1,步长stride = 1,因此其FeatureMap大小为(13-3+1×2+1)/1 = 13,即13×13×256;
- 激活函数:ReLU;
- 池化:池化核大小3 × 3, 扩充边缘padding = 0,步长stride = 2,因此其FeatureMap输出大小为(13-3+0×2+2)/2=6, 即C5输出为6×6×256(此处未将输出分到两个GPU中,若按照论文将分成两组,每组为6×6×128);
2.6 全连接层FC6
FC6的基本结构为:全连接–>>ReLU–>Dropout
- 全连接:此层的全连接实际上是通过卷积进行的,输入6×6×256,4096个6×6×256的卷积核,扩充边缘padding = 0, 步长stride = 1, 因此其FeatureMap大小为(6-6+0×2+1)/1 = 1,即1×1×4096;
- 激活函数:ReLU;
- Dropout:全连接层中去掉了一些神经节点,达到防止过拟合,FC6输出为1×1×4096;
2.7 全连接层FC7
FC7的基本结构为:全连接–>>ReLU–>Dropout
- 全连接:此层的全连接,输入1×1×4096;
- 激活函数:ReLU;
- Dropout:全连接层中去掉了一些神经节点,达到防止过拟合,FC7输出为1×1×4096;
2.8 全连接层FC8
FC8的基本结构为:全连接–>>softmax
- 全连接:此层的全连接,输入1×1×4096;
- softmax:softmax为1000,FC8输出为1×1×1000;
在整个过程中,并没有将C1与C2中的Local Response Normalization(局部响应归一化)操作添加在其中,此操作就是将ReLU得到的结果进行归一化,读者可以查看一下原论文。
参考:
AlexNet网络结构详解(含各层维度大小计算过程)与PyTorch实现-CSDN博客
同济子豪兄AlexNet图像分类论文精读