matlab卷积神经网络代码_卷积神经网络 - CNN（附代码）

AlexNet原文

之前有看过一些自己方向的论文，但是总体还是属于一种蒙的状态，然后觉得还是有必要把一些Base paper拿出来看看，毕竟基础很重要嘛， 写写随笔谈谈收获。

上面这个就是CNN的网络架构，跑的数据集是ImageNet

那么我们现在就来“剖析”一下，把deep Learning推上热门的CNN,因为Alex团队用了两个GPU跑，所以图片中的架构被分为两半，而我们下面放在一起进行讨论

Step 1:

输入图片数据(227 * 227 * 3),可能有人会有疑问上图中的大小是（224 * 224 * 3 ）上图中的(224 * 224 * 3)应该是错的，为什么错呢，因为不符合公式，不符合逻辑，不符合常理，没道理呀，哈哈哈，所以也就是

Input 

计算卷积后的图片大小的公式如下

h 

Step 2:

对输入的图片进行第一层卷积

如论文中的图片，利用[11 * 11 * 3]的核对图片进行卷积,之后对卷积后的图片进行activation，normalization,和pooling, activation,normalization不会改变图像大小故不变。

Convolution

Step 3:

第一层的池化输出进行第二层卷积

采用了 'SAME'填充的方式，'SAME'也就是保存图片大小不变进行卷积

Convolution

Step 3:

第二层的池化输出进行第三层卷积

第三层卷积不再进行池化

Convolution

Step 4:

第三层的激活输出进行第四层卷积

第四层卷积同样不再进行池化

Convolution

Step 5:

第四层的激活输出进行第五层卷积

Convolution

Step 6:

第五层的池化层输出进行第六层全连接

平铺开我们第五层的池化层与第六层的4096个神经元进行全连接

全连接
fully_connect6 = [6 * 6 * 256, 4096]
fully_connect6 = relu(fully_connect6 )
dropout(fully_connect6)   #dropout随机失活，防止过拟合的一种方式

Step 7:

第六层的全连接输出进行第七层全连接

第六层4096个神经元与第七层的4096个神经元进行全连接

全连接

Step 8:

第七层的全连接输出进行第八层softmax输出层

第七层4096个神经元与第八层的1000个神经元进行全连接

输出层

因为有1000类所以输出为1000，利用softmax进行评分。

本人基于tensorflow搭了一个拙劣的cnn 跑了MNIST和cifar-10，Accuracy不高，只为通过代码更好的理解CNN，有兴趣的话点击下方查看代码：

MNIST手写体数字识别代码

cifar-10图像识别代码