深度学习之经典网络架构：AlexNet

最新推荐文章于 2024-04-16 21:44:36 发布
最新推荐文章于 2024-04-16 21:44:36 发布
阅读量285 收藏 1
点赞数
分类专栏： Tensorflow 图像识别 文章标签： 神经网络 深度学习 tensorflow
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/quanhujing/article/details/107157650
版权

一、简介

        AlexNet是2012年ImageNet竞赛冠军获得者Hinton和他的学生Alex Krizhevsky设计的。也是在那年之后，更多的更深的神经网路被提出，比如优秀的vgg,GoogleLeNet。其官方提供的数据模型，准确率达到57.1%,top 1-5 达到80.2%. 这项对于传统的机器学习分类算法而言，已经相当的出色。

二、网络结构

       

上图所示是alexnet的网络结构，上图采用是两台GPU服务器，所有会看到两个流程图。下边把AlexNet的网络结构示意一下：

三、AlexNet中的trick

   AlexNet将CNN用到了更深更宽的网络中,其效果分类的精度更高相比于以前的

了解本专栏 订阅专栏 解锁全文 超级会员免费看
35仍未老
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 1
    评论
专栏目录
订阅专栏
机器学习&深度学习系统实战！
06-07
数学原理推导与案例实战紧密结合，由机器学习经典算法过度到深度学习的世界，结合深度学习两大主流框架Caffe与Tensorflow，选择经典项目实战人脸检测与验证码识别。原理推导，形象解读，案例实战缺一不可！具体课程内容涉及回归算法原理推导、决策树与随机森林、实战样本不均衡数据解决方案、支持向量机、Xgboost集成算法、神经网络基础、神经网络整体架构、卷积神经网络、深度学习框架--Tensorflow实战、案例实战--验证码识别、案例实战--人脸检测。专属会员卡优惠链接：http://edu.csdn.net/lecturer/1079
深度学习-对抗生成网络项目实战
07-13
对抗生成网络实战系列主要包括三大核心内容：1.经典GAN论文解读；2.源码复现解读；3.项目实战应用。全程实战解读各大经典GAN模型构建与应用方法，通俗讲解论文中核心知识点与整体网络模型架构，从数据预处理与环境配置开始详细解读项目源码及其应用方法。提供课程所需全部数据，代码，PPT。
深度学习-物体检测-YOLO实战系列（已更新V5）
04-10
购买课程后，添加小助手微信（微信号：csdnxy68）回复【唐宇迪】 进入学习群，获取唐宇迪老师答疑物体检测YOLO系列课程主要包括两大核心模块：(1),YOLO系列算法精讲，详细解读3篇论文核心知识点与整体网络架构并对其效果展开深入分析，通俗讲解YOLO架构实现原理与效果提升细节；(1),YOLO-V3项目实战，详细解读V3版本源码，通过debug模式讲解其中每一行代码，从根本掌握YOLO系列全部实现细节。整体风格通俗易懂，原理+实战实战，提供全部课程所需PPT,数据，代码。 讲师卡更优惠，可观看全部课程内容（包括后续新课）：https://edu.csdn.net/lecturer/1079
决胜AI-深度学习系列实战150讲
05-21
深度学习系列课程从基本的神经网络开始讲起，逐步过渡到当下流行的卷积与递归神经网络架构。课程风格通俗易懂，方便大家掌握深度学习的原理。课程以实战为导向，结合当下热门的Tensorflow框架进行案例实战，让同学们上手建模实战。对深度学习经典项目，从数据处理开始一步步带领大家完成多个项目实战任务！
深度学习30天系统实训
07-27
购买课程后，添加小助手微信（微信号：csdnxy68）回复【唐宇迪】进入学习群，获取唐宇迪老师答疑系列教程从深度学习核心模块神经网络开始讲起，将复杂的神经网络分模块攻克。由神经网络过度到深度学习，详解深度学习中核心网络卷积神经网络与递归神经网络。选择深度学习当下流行框架Tensorflow进行案例实战，选择经典的计算机视觉与自然语言处理经典案例以及绚丽的AI黑科技实战，从零开始带大家一步步掌握深度学习的原理以及实战技巧。课程具体内容包括：神经网络基础知识点、神经网络架构、tensorflow训练mnist数据集、卷积神经网络、CNN实战与验证码识别、自然语言处理word2vec、word2vec实战与对抗生成网络、LSTM情感分析与黑科技概述。
基于深度学习的加密流量识别模型源码：融合LeNet、AlexNet及GAP结构
03-25
结果：本项目是一个深度学习驱动的加密流量识别模型，整合了LeNet、AlexNet以及GAP网络架构的优势。整个项目由20个Python源文件、2个版本控制配置、2个Markdown说明文档、1个配置文件和1个LICENSE证书构成，提供了一...
基于CNN深度学习网络的交通标志识别.zip
04-07
卷积神经网络（Convolutional Neural Network, CNN）是一种专门针对图像、视频等结构化数据设计的深度学习模型，它在计算机视觉、语音识别、自然语言处理等多个领域都有广泛应用。CNN的核心设计理念源于对生物视觉...
基于增强AlexNet的深度学习的阿尔茨海默病的早期诊断.pdf
08-19
基于增强AlexNet的深度学习的阿尔茨海默病的早期诊断.pdf
基于深度学习的图像分类和分割网络总结
07-16
在此记下AlexNet等八个经典网络的架构、创新点等，以供参考。
基于AlexNet深度学习模型的中草药植物图像分类研究与实现.pdf
08-18
基于AlexNet深度学习模型的中草药植物图像分类研究与实现.pdf
深度学习经典网络架构实战系列.rar
03-22
分享视频教程——深度学习经典网络架构实战系列，2021年录制，深度学习经典模型架构实战系列课程旨在帮助同学们快速掌握深度学习各大经典网络架构，详细解读各模块核心知识点及其应用领域，实战演示如何使用各模型进行实战任务，源码中通过debug模式解读每一行代码的作用。适合准备从事深度学习相关领域并进阶提升的同学们。
【完整版21章】深度学习经典网络架构实战系列.rar
05-10
给大家分享一套视频教程《深度学习经典网络架构实战系列》，如对大家学习有帮助，请给个好评
深度学习入门课程---经典卷及网络架构实例视频教程.mp4
02-07
深度学习入门课程---经典卷及网络架构实例视频教程，希望能够学习者提供帮助，实现对经典卷及网络架构实例基础知识的掌握与理解，为后续学习做好铺垫，实现经典卷及网络架构实例知识的灵活运用
深度学习++Caffe之经典模型详解与实战
07-28
深度学习++Caffe之经典模型详解与实战，该书描述了Caffe中一些具体的wan网络结构，入门Caffe的必备工具。
深度学习经典网络架构实战系列
05-08
深度学习经典模型架构实战系列课程旨在帮助同学们快速掌握深度学习各大经典网络架构，详细解读各模块核心知识点及其应用领域，实战演示如何使用各模型进行实战任务，源码中通过debug模式解读每一行代码的作用。适合准备从事深度学习相关领域并进阶提升的同学们。
深度学习框架-PyTorch实战
12-03
购买课程后，添加小助手微信（微信号：csdnxy68）回复【唐宇迪】进入学习群，获取唐宇迪老师答疑深度学习框架-PyTorch实战课程旨在帮助同学们快速掌握PyTorch框架核心模块使用方法与项目应用实例，让同学们熟练使用PyTorch框架进行项目开发。课程内容全部以实战为导向，基于当下计算机视觉与自然语言处理中经典项目进行实例讲解，通过Debug模式详解项目中每一行代码的作用与效果，整体风格通俗易懂，提供全部课程所属课件。
AlexNet
热门推荐
郭云飞的专栏
09-28 3万+
AlexNet是2012年ImageNet竞赛冠军获得者Hinton和他的学生Alex Krizhevsky设计的。也是在那年之后，更多的更深的神经网路被提出，比如优秀的vgg,GoogleLeNet。其官方提供的数据模型，准确率达到57.1%,top 1-5 达到80.2%. 这项对于传统的机器学习分类算法而言，已经相当的出色。 上图所示是caffe中alexnet的网络结构，上图采用
四大经典CNN架构之一(ALexNet)
12-21
本资源详细解读了经典论文ImageNet Classification with Deep Convolutional Neural Networks，主要介绍ALexNet的架构、特点、计算流程
李沐-16 PyTorch 神经网络基础【动手学深度学习v2】
最新发布
小菜的博客
04-16 694
它的任何子类都必须定义一个将其输入转换为输出的前向传播函数， 并且必须存储任何必需的参数。在定义我们自己的块时，由于框架的自动微分提供了一些后端实现，我们只需要考虑前向传播函数和必需的参数即可。使用块进行抽象的一个好处是可以将一些块组合成更大的组件， 这一过程通常是递归的，如图所示。通过定义代码来按需生成任意复杂度的块， 我们可以通过简洁的代码实现复杂的神经网络。在下面的代码片段中，我们从零开始编写一个块。这个前向传播函数非常简单： 它将列表中的每个块连接在一起，将每个块的输出作为下一个块的输入。
AlexNet整体流程
06-02
AlexNet是一种深度卷积神经网络，主要用于图像分类任务。它的整体流程如下： 1. 输入层：将图片作为输入，输入的大小为227x227x3（长，宽，通道）。 2. 卷积层1：使用96个大小为11x11x3的卷积核对输入进行卷积，步长为4，得到96个大小为55x55x1的特征图。同时使用ReLU激活函数进行非线性变换，减少梯度消失的问题。 3. 池化层1：使用大小为3x3的最大池化进行下采样，步长为2，得到96个大小为27x27x1的特征图。 4. 卷积层2：使用256个大小为5x5x48的卷积核对上一层的输出进行卷积，得到256个大小为27x27x1的特征图。同时使用ReLU激活函数进行非线性变换。 5. 池化层2：使用大小为3x3的最大池化进行下采样，步长为2，得到256个大小为13x13x1的特征图。 6. 卷积层3：使用384个大小为3x3x256的卷积核对上一层的输出进行卷积，得到384个大小为13x13x1的特征图。同时使用ReLU激活函数进行非线性变换。 7. 卷积层4：使用384个大小为3x3x192的卷积核对上一层的输出进行卷积，得到384个大小为13x13x1的特征图。同时使用ReLU激活函数进行非线性变换。 8. 卷积层5：使用256个大小为3x3x192的卷积核对上一层的输出进行卷积，得到256个大小为13x13x1的特征图。同时使用ReLU激活函数进行非线性变换。 9. 池化层3：使用大小为3x3的最大池化进行下采样，步长为2，得到256个大小为6x6x1的特征图。 10. 全连接层1：将上一层的输出展开成一维向量，经过4096个神经元的全连接层，得到一个长度为4096的向量。同时使用ReLU激活函数进行非线性变换。 11. Dropout层1：对全连接层1的输出进行随机失活，防止过拟合。 12. 全连接层2：将上一层的输出经过4096个神经元的全连接层，得到一个长度为4096的向量。同时使用ReLU激活函数进行非线性变换。 13. Dropout层2：对全连接层2的输出进行随机失活，防止过拟合。 14. 全连接层3：将上一层的输出经过1000个神经元的全连接层，得到一个长度为1000的向量，表示图像属于1000个类别中的哪一个。 15. 输出层：使用Softmax函数将全连接层3的输出转换为概率分布，得到每个类别的概率。 整个AlexNet网络的训练过程中采用了数据增强、随机失活、批量归一化等技术，提高了模型的泛化能力和鲁棒性。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

35仍未老

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值