alexnet模型结构图

### AlexNet 模型架构图解析

#### 架构概览
AlexNet 是一种开创性的卷积神经网络(CNN)，由五层卷积层组成，后面跟着三层全连接层。该模型展示了深层网络在处理复杂图像识别任务中的潜力[^2]。

#### 卷积层细节
- **第一层 (Conv1)**: 输入尺寸为 \(224 \times 224\) 的彩色图片（RGB），通过大小为\(11\times11\), 步幅(stride)为4的96个滤波器(filter)进行第一次卷积操作。这一步骤显著减少了空间维度的同时提取了初级特征。

- **第二至第五层(Conv2~Conv5):** 接下来的几层继续采用不同数量和大小的过滤器来捕捉更复杂的模式。特别是第三、四、五层每层都应用了较小尺度(3×3或5×5)但更多的通道数目的内核(kernel)[^1]。

#### 特殊组件说明
- **ReLU激活函数**: 替代传统的Sigmoid/Tanh作为非线性单元，加速收敛过程并缓解梯度消失问题。
- **局部响应归一化(LRN)** 和 **重叠最大池化(Max Pooling with Overlap)** : 增强泛化能力，减少过拟合风险；其中LRN模仿生物视觉系统的侧抑制机制。
- **Dropout随机失活技术**: 应用于最后几个完全连通层之前，防止过度拟合训练样本特性。

#### 图形表示
虽然无法直接提供图形文件，可以描述如下：

Input -> Conv1-ReLU-LRN-Pool ->
         Conv2-ReLU-LRN-Pool ->
            Conv3-ReLU ->
              Conv4-ReLU ->
                Conv5-ReLU-Pool ->
                  FC6-Dropout-ReLU ->
                    FC7-Dropout-ReLU ->
                      FC8-Softmax

此流程图概括了从输入到输出的主要计算路径，每一阶段都有其特定的功能模块组合而成。