AlexNet网络的详解与花分类数据集的下载

参考大佬

AlexNet详解

论文亮点：

1. 首次使用了GPU进行网络的加速训练
2. 使用Relu激活函数，而不是传统的sigmoid激活函数以及tanh激活函数
3. 使用了LRN局部响应归一化
4. 在使用全连层的前两层中，使用了Dropout随机失活神经元操作，来减少过拟合
   结构详解：
   模型结构可以看做两个部分，作者用了两块并行的GPU进行了训练
   Conv1:
   kernels:48x2=96
   kenel_size:11x11
   padding:[1,2]
   stride:2
   input_size:[224,224,3]
   output_size:[55,55,96]
   计算：N=(W-F+2P)/S+1=[224-11+(1+2)]/2+1=55
   Maxpool1:
   kernel_size:3
   padding:0
   stride:2
   input_size:[55,55,96]
   output_size:[27,27,96]
   计算：N=(55-3)/2+1=27
   Conv2:
   kernels:1282=256
   kernel_size:5
   padding:[2,2]
   stride:1
   input_size:[27,27,96]
   output_size:[27,27,256]
   计算：N=(27-5+4)/1+1=27
   Maxpool2:
   kernel_size:3
   padding:0
   stride:2
   input_size:[27,27,256]
   output_size:[13,13,256]
   计算：N=(27-3)/2+1=13
   Conv3:
   kernels:1922=384
   kernel_size:3
   padding:[1,1]
   stride:1
   input_size:[13,13,256]
   output_size:[13,13,384]
   计算：N=(13-3+2)/1+1=13
   Conv4:
   kernels:1282=256
   kernel_size:3
   padding:[1,1]
   stride:1
   input_size:[13,13,384]
   output_size:[13,13,256]
   计算：N=(13-3+2)/1+1=13
   Conv5:
   kernels:1282=256
   kernel_size:3
   padding:[1,1]
   stride:1
   input_size:[13,13,256]
   output_size:[13,13,256]
   计算：N=(13-3+2)/1+1=13
   Maxpool3:
   kernel_size:3
   padding:0
   stride:2
   input_size:[13,13,256]
   output_size:[6,6,256]
   计算：N=(13-3)/2+1=6
   最后将输出展平 66*256，与全连接层的2048个神经元相连。最后是1000个类别，所以最后一个全连接层是1000个神经元。

下载花分类数据集