AlexNet网络结构

　　网络包含8个带权重的层；前5层是卷积层，剩下的3层是全连接层。最后一层全连接层的输出是1000维softmax的输入，softmax会产生1000类标签的分布网络包含8个带权重的层；前5层是卷积层，剩下的3层是全连接层。最后一层全连接层的输出是1000维softmax的输入，softmax会产生1000类标签的分布。

　　●输入层

　　　　输入为224x224x3的三通道RGB图像，为方便后续计算，实际操作中通过padding做预处理，把图像变成227x227x3。

　　●卷积层C1
　　　　该层的处理流程是： 卷积–>ReLU–>池化–>归一化。

*

• 卷积，输入是227×227×3，使用96个11×11×3的卷积核在stride=4的情况下，得到的FeatureMap为55×55×96，其中55=(227-11)/4+ 1。
• ReLU，将卷积层输出的FeatureMap输入到ReLU函数中。
• 池化，使用3×3步长为2的池化单元（重叠池化，步长小于池化单元的宽度），输出为27×27×96，其中27=(55−3)/2+1。
• 局部响应归一化，局部响应归一化 ,使用 k=2, n=5, $\alpha=10^{-4}, \beta=0.75$ 进行局部归一化,输出的仍然为 27×27×96, 输出分为两组, 每组的大小为 27×27×48。

　　●卷积层C2
　　　　该层的处理流程是：卷积–>ReLU–>池化–>归一化

*

• 卷积，输入是2组27×27×48。使用2组，每组128个尺寸为5×5×48的卷积核，并作了边缘填充padding=2，卷积的步长为1. 则输出的FeatureMap为2组，每组的大小为27×27×128，其中27=(27+2∗2−5)/1+1。{MathJax-Span-615}
• ReLU，将卷积层输出的FeatureMap输入到ReLU函数中.
• 池化运算的尺寸为3×3，步长为2，池化后图像的尺寸为(27−3)/2+1=13(27−3)/2+1=13，输出为13×13×256。{MathJax-Span-644}
• 局部响应归一化，局部响应归一化 ,使用 k=2, n=5, $\alpha=10^{-4}, \beta=0.75$ 进行局部归一化,输出的仍然为 13×13×256, 输出分为两组, 每组的大小为 13×13×128。{MathJax-Span-644}

　　●卷积层C3
　　　　该层的处理流程是： 卷积–>ReLU

*

• 卷积，输入是2组13×13×128，使用2组，每组192个尺寸为3×3×128的卷积核，做了边缘填充padding=1，卷积的步长为1.则输出的FeatureMap为13×13×384, 输出分为两组, 每组的大小为13×13×192。{MathJax-Span-699}
• ReLU，将卷积层输出的FeatureMap输入到ReLU函数中。

　　●卷积层C4
　　　　该层的处理流程是： 卷积–>ReLU

*

• 卷积，输入是13×13×384，分为两组，每组为13×13×192.使用2组，每组192个尺寸为3×3×192的卷积核，做了边缘填充padding=1，卷积的步长为1.则输出的FeatureMap为13×13×384，分为两组，每组为13×13×192。{MathJax-Span-746}
• ReLU，将卷积层输出的FeatureMap输入到ReLU函数中。

　　●卷积层C5
　　　　该层处理流程为：卷积–>ReLU–>池化

*

• 卷积，输入为13×13×384，分为两组，每组为13×13×192。使用2组，每组为128尺寸为3×3×192的卷积核，做了边缘填充padding=1，卷积的步长为1.则输出的FeatureMap为13×13×256, 输出分为两组, 每组的大小为13×13×128。
  

• ReLU，将卷积层输出的FeatureMap输入到ReLU函数中。

• 池化，池化运算的尺寸为3×3，步长为2，池化后图像的尺寸为 (13−3)/2+1=6，即池化后的输出为6×6×256。{MathJax-Span-796}

　　●全连接层FC6
　　　　该层的流程为：（卷积）全连接 –>ReLU –>Dropout

*

• 卷积->全连接： 输入为6×6×256，该层有4096个卷积核，每个卷积核的大小为6×6×256。由于卷积核的尺寸刚好与待处理特征图（输入）的尺寸相同，即卷积核中的每个系数只与特征图（输入）尺寸的一个像素值相乘，一一对应，因此，该层被称为全连接层。由于卷积核与特征图的尺寸相同，卷积运算后只有一个值，因此，卷积后的像素层尺寸为4096×1×1，即有4096个神经元。{MathJax-Span-817}
• ReLU,这4096个运算结果通过ReLU激活函数生成4096个值。
• Dropout,抑制过拟合，随机的断开某些神经元的连接或者是不激活某些神经元。

　　●全连接层FC7
　　　　流程为：全连接–>ReLU–>Dropout

*

• 全连接，输入为4096的向量。
• ReLU,这4096个运算结果通过ReLU激活函数生成4096个值。
• Dropout,抑制过拟合，随机的断开某些神经元的连接或者是不激活某些神经元。

　　●输出层

*

• 第七层输出的4096个数据与第八层的1000个神经元进行全连接，经过训练后输出1000个float型的值，这就是预测结果。

AlexNet参数数量

　　卷积层的参数 = 卷积核的数量 * 卷积核 + 偏置

• C1: 96个11×11×311×11×3的卷积核，96×11×11×3+96=34848
• C2: 2组，每组128个5×5×485×5×48的卷积核，(128×5×5×48+128)×2=307456
• C3: 384个3×3×2563×3×256的卷积核，3×3×256×384+384=885120
• C4: 2组，每组192个3×3×1923×3×192的卷积核，(3×3×192×192+192)×2=663936
• C5: 2组，每组128个3×3×1923×3×192的卷积核，(3×3×192×128+128)×2=442624
• FC6: 4096个6×6×2566×6×256的卷积核，6×6×256×4096+4096=37752832
• FC7: 4096∗4096+4096=16781312
• output: 4096∗1000=4096000

原文创作：希望每天涨粉

原文链接：https://www.cnblogs.com/BlairGrowing/p/15166628.html