alexnet网络结构详解

AlexNet 是由 Alex Krizhevsky，Ilya Sutskever 和 Geoffrey Hinton 在 2012 年 ImageNet 竞赛中首次提出的卷积神经网络（CNN）模型。它是第一个在 ImageNet 挑战赛中大幅度领先第二名的模型，使得深度学习开始成为计算机视觉领域的主流方法。

AlexNet 包含 5 层卷积层和 3 层全连接层，其中前两个全连接层后面都有一个 dropout 层来防止过拟合。下面是 AlexNet 的详细架构：

1. 输入层：AlexNet 的输入是一张 224x224 的 RGB 图片，即三个通道的 224x224 像素。

2. 第一层卷积层：输入层经过 11x11 的卷积核，步长为 4，输出 96 个特征图（feature maps），接着使用 ReLU 激活函数，再应用局部响应归一化（local response normalization）进行归一化处理，最后进行 3x3 的最大池化（max pooling），步长为 2。

3. 第二层卷积层：96 个特征图经过 5x5 的卷积核，步长为 1，输出 256 个特征图，同样使用 ReLU 激活函数和局部响应归一化进行归一化处理，最后进行 3x3 的最大池化，步长为 2。

4. 第三层卷积层：256 个特征图经过 3x3 的卷积核，步长为 1，输出 384 个特征图，使用 ReLU 激活函数。

5. 第四层卷积层：384 个特征图经过 3x3 的卷积核，步长为 1，输出 384 个特征图，同样使用 ReLU 激活函数。

6. 第五层卷积层：384 个特征图经过 3x3 的卷积核，步长为 1，输出 256 个特征图，同样使用 ReLU 激活函数，最后进行 3x3 的最大池化，步长为 2。

7. 第一层全连接层：将最后一层卷积层的输出展平成一个向量，然后经过一个包含 4096 个神经元的全连接层，再使用 ReLU 激活函数和 dropout 层。

8. 第二层全连接层：同样包含 4096 个神经元的全连接层，再使用 ReLU 激活函数和 dropout 层。

9. 第三层全连接层：最后是一个包含 1000 个神经元的全连接层，对应 ImageNet 数据集的 1000 个类别，使用 softmax 函数进行分类。

总的来说，AlexNet 使用了大量的卷积层和少量的全连接层，并且在卷积层之间使用了局部响应归一化和最大池化等技术，使得模型可以在大规模图像分类任务上取得非常好的性能。