AlexNet网络结构

设输入图像尺寸为W，卷积核尺寸为F，步幅为S，Padding使用P，则经过卷积层或池化层之后的图像尺寸为（W-F+2P）/S+1

一、第一层是卷积加池化结合层。

1. 输入大小224×224×3或者227×227×3，使用96个11×11的卷积核，步长为4，经过一层卷积，输出特征图大小为（224-11）/4 +1向上取整，得55×55×96，经过 激活函数ReLU和局部归一化LRN。
2. 对特征图最大池化操作，卷积核3×3，步长为2，输出特征图55/2=27，得27×27×96。

二、第二层是卷积加池化结合层。

1. 输入是27×27×96，卷积核5×5×256，步长为1，尺寸不变，经过激活函数ReLU和局部归一化LRN，得27×27×256。
2. 对特征图最大池化操作，卷积核3×3，步长为2，输出特征图（27-2）/2=13，得13×13×256。

三、第三层至第五层是卷积层。

1. 第三层。输入13×13×256，卷积核3×3×384，步长为1，尺寸不变，13×13×384，经过激活函数ReLU。
2. 第四层。输入13×13×384，卷积核3×3×384，步长为1，尺寸不变，13×13×384，经过激活函数ReLU。
3. 第五层。输入13×13×384，卷积核3×3×256，步长为1，尺寸不变，13×13×256，经过激活函数ReLU。
4. 对特征图最大池化操作，卷积核3×3，步长为2，输出特征图（13-2）/2=6，得6×6×256。

四、第六层至第八层全连接层。

1. 第六层全连接层。6×6×256全连接，经过dropout，输出4096个神经元。
2. 第七层全连接层。与第六层相似。
3. 第八次全连接层。4096个神经元，经过dropout，经过高斯过滤器，输出1000个float的值，即预测的可能性，例如苹果0.8，橘子0.1，桃子0.1。