alexnet模型流程图

### AlexNet 模型架构概述

AlexNet 是一种开创性的卷积神经网络，在 ImageNet 数据集上取得了显著的成功[^2]。该模型由多个卷积层和全连接层组成，能够有效地提取图像中的复杂特征。

#### 主要组成部分

1. **输入层**
输入尺寸为 \(227 \times 227\) 的彩色图像 (RGB)，即每张图片有三个通道。

2. **卷积层**
- C1: 第一层卷积核大小为 \(11 \times 11\), 步幅为 4, 输出特征图数量为96。
- Pooling Layer: 使用最大池化操作，窗口大小为 \(3 \times 3\), 步幅为 2。

- C2: 第二层卷积核大小为 \(5 \times 5\), 填充为 2, 输出特征图数量增加到256。
- Pooling Layer: 同样采用最大池化，窗口大小不变。

- C3-C5: 接下来的三层继续使用较小的卷积核 (\(3 \times 3\)) 和不同的填充方式以及步长，逐步加深网络层次并调整输出维度。

3. **激活函数**
在每个卷积层之后都加入了 ReLU 非线性变换，这有助于缓解梯度消失问题，并加速收敛过程[^4]。

4. **全连接层**
经过五次卷积运算后的特征映射会被展平成一维向量送入两个大型的全连接层中进一步处理；最后一层则负责分类预测任务。

5. **Dropout 层**
为了防止过拟合现象的发生，在最后两层之间引入了 Dropout 技术随机丢弃部分节点。

graph LR;
    A[Input: 227x227 RGB image] --> B[C1 Convolutional layer];
    B --> C[Max Pooling];
    C --> D[C2 Convolutional layer];
    D --> E[Max Pooling];
    E --> F[C3 Convolutional layer];
    F --> G[C4 Convolutional layer];
    G --> H[C5 Convolutional layer];
    H --> I[Max Pooling];
    I --> J[Fully Connected FC6];
    J --> K[Droupout];
    K --> L[Fully Connected FC7];
    L --> M[Droupout];
    M --> N[Fully Connected FC8 / Output Classification];

此结构使得 AlexNet 能够高效地学习到不同尺度下的视觉模式，并应用于诸如鸟类分类等多种实际场景之中[^3]。