![](https://csdnimg.cn/release/download_crawler_static/86284567/bg5.jpg)
图4.2 与 之间的特征图稀疏连接
卷积层在图4.1中显⽰为全连接层,原论⽂中解释这⾥实际采⽤的是卷积操作,只是刚好在 卷积后尺⼨被压缩为
,输出结果看起来和全连接很相似。
4.1.3 模型特性
卷积⽹络使⽤⼀个3层的序列组合:卷积、下采样(池化)、⾮线性映射(LeNet-5最重要的特性,奠定了⽬前深层卷积
⽹络的基础)
使⽤卷积提取空间特征
使⽤映射的空间均值进⾏下采样
使⽤ 或 进⾏⾮线性映射
多层神经⽹络(MLP)作为最终的分类器
层间的稀疏连接矩阵以避免巨⼤的计算开销
4.2 AlexNet
4.2.1 模型介绍
AlexNet 是由 $Krizhevsky
提出的⾸个应⽤于图像分类的深层卷积神经⽹络,该⽹络在
年
( )图
像分类竞赛中以
^{[2]}$。AlexNet
使⽤GPU代替CPU进⾏运算,使得在可接受的时间范围内模型结构能够更加复杂,它的出现证明了深层卷积神经⽹络在复杂
模型下的有效性,使CNN在计算机视觉中流⾏开来,直接或间接地引发了深度学习的热潮。
4.2.2 模型结构
FeatureMap
第四章 经典⽹络解读
3/19