Pytorch实现AlexNet解决各类数据集(cifar10/imagenet)分类(这可能是最简单的源论文实现了)

PyTorch implements an AlexNet

完整代码地址
论文地址

如果有不懂的直接上https://github.com/Lornatang/AlexNet-PyTorch提问题。

免责说明：如果有引用代码，请注明出处。近段时间CSDN上很多恶意抄袭不注明出处的博主，谢谢。

Why AlexNet very good?

1. 为什么Alexnet能在图2012 ImageNet LSVRC-2012 像识别(分类) competition取得这么好的成绩
2. Alexnet的网络结构以及，参数数量的计算
3. 为了避免过拟合使用的技巧：Data Augmentation(数据增强)，正则化Relu以及dropout，局部响应归一化LRN。
4. 对比了多个小的卷积核和大的卷积核的区别(前面BAT面试题)。
5. Alexnet取得成功的原因，主要三条：
   大量数据，Deep Learning领域应该感谢李飞飞团队搞出来如此大的标注数据集合ImageNet；

GPU，这种高度并行的计算神器确实助了洪荒之力，没有神器在手，Alex估计不敢搞太复杂的模型；

算法的改进，包括网络变深、数据增强、ReLU、Dropout等。

2. Alexnet网络结构以及参数数量的计算
   Alexnet网络的大体结构如下(论文以及一般的blog都是如下这个图，但是看起来很不直观)：

下面给出两个更好理解的结构图，5个卷积层+3个全连接层：

来源：stackoverflow
https://www.learnopencv.com/understanding-alexnet/

各层的参数计算如下，下图为5个卷积层的参数：

全连接层如下：

可以看到：卷积层的参数明显少于全连接层的参数。其中，网络大概有62.3 million parameters，其中卷积层占比约6%，单占比95%的计算。

3. 为了避免过拟合使用的技巧：Data Augmentation(数据增强)，正则化Relu以及dropout
4. 1 Data Augmentation(数据增强)
   数据增强简单的办法如，图片翻转Mirroring，随机裁剪Random Crops。

3. 2 使用ReLU非线性激活函数
   使用ReLU非线性激活函数而不选择sigmoid或tanh函数，ReLU优势在于：

速度快 和sigmoid函数需要计算指数和倒数相比，relu函数其实就是一个max(0,x)，计算代价小很多。

减轻梯度消失问题，从而可以训练更深的网络。

稀疏性 通过对大脑的研究发现，大脑在工作的时候只有大约5%的神经元是激活的，而采用sigmoid激活函数的人工神经网络，其激活率大约是50%。有论文声称人工神经网络在15%-30%的激活率时是比较理想的。因为relu函数在输入小于0时是完全不激活的，因此可以获得一个更低的激活率.

3. 3 使用Dropout(只在最后几个全连接层做)