深度学习-回顾经典AlexNet网络：山高我为峰

深度学习-回顾经典AlexNet网络之山高我为峰

深度学习中，经典网络引领一波又一波的技术革命，从LetNet到当前最火的GPT所用的Transformer，它们把AI技术不断推向高潮。2012年AlexNet大放异彩，它把深度学习技术引领第一个高峰，打开人们的视野。

用pytorch构建CNN经典网络模型AlexNet，还可以用数据进行训练模型，得到一个优化的模型。

数据分析

数据分析-Pandas如何转换产生新列

数据分析-Pandas如何统计数据概况

数据分析-Pandas如何轻松处理时间序列数据

数据分析-Pandas如何选择数据子集

数据分析-Pandas如何重塑数据表-CSDN博客

经典算法

经典算法-遗传算法的python实现

经典算法-模拟退火算法的python实现

经典算法-粒子群算法的python实现-CSDN博客

AlexNet概述

第一个典型的CNN是LeNet5网络，而第一个引领技术潮流的CNN却是AlexNet。2012年在全球知名的图像识别竞赛 ILSVRC 中，AlexNet 横空出世，直接将错误率降低了近 10 个百分点。这是断崖式的领先。当时AlexNet的影响，和现在chatGPT带来的效应相当。

网络结构

输入图像分辨率：227x227x3 通道

结构：

9层：1个输入层，5个卷积层，2个全连接层，1个输出层，因GPU内存不够，分为上下两组；

（1）C1：11x11 —>输出2组48个55×55大小的特征图–> ReLU --> LRN --> MaxPooling；

（2）C2：5x5 —>输出2组128个27×27大小的特征图–> ReLU --> LRN --> MaxPooling；

（3）C3：3x3 —>输出384个13×13大小的特征图–> ReLU；

（4）C4：3x3 —>输出2组192个13×13大小的特征图–> ReLU；

（5）C5：3x3 —>输出2组128个13×13大小的特征图–> ReLU --> MaxPooling；

（6）FC6 ----> 6x6，输入2组6x6x128特征图，输出4096个1x1全连接层–> ReLU --> Dropout；

（7）FC7 ----> 输入4096个神经元，输出4096个神经元–> ReLU --> Dropout

（8）输出层—> 输入4096个神经元–>softmax -->输出 1000分类

整个AlexNet网络包含的神经元个数为：

290400 + 186624 + 64896 + 64896 + 43264 + 4096 + 4096 + 1000 = 659272

大约65万个神经元。

整个AlexNet网络包含的参数数量为：

34944 + 307456 + 885120 + 663936 + 442624 + 37752832 + 16781312 + 4096000 = 60964224

大约6千万个参数。

在这里插入图片描述

优势与不足

优势：采用激活函数ReLU，局部响应归一化，使用Dropout机制，Max Pooling重叠池化，双GPU训练，图像尺寸扩大227x227x3。

Pytorch实现

以下便是使用Pytorch实现的经典网络结构AlexNet

# AlexNet 227x227x3
class AlexNet(nn.Module):
    def __init__(self, channels, num_classes):
        super(AlexNet, self).__init__()

        self.features = nn.Sequential(
            # 输入通道数为3，彩色图片
            # 输出96、卷积核为11x11，步长为4，是AlexNet模型结构决定
            nn.Conv2d(channels, 96, kernel_size=11,stride=4, padding=2),
            nn.ReLU(),
            nn.MaxPool2d(kernel_size=3,stride=2),
            nn.Conv2d(96, 256,kernel_size=5, padding=2),
            nn.ReLU(),
            nn.MaxPool2d(kernel_size=3,stride=2),
            nn.Conv2d(256, 384, kernel_size=3, padding=1),
            nn.ReLU(),
            nn.Conv2d(384, 384, kernel_size=3,padding=1),
            nn.ReLU(),
            nn.Conv2d(384, 256, kernel_size=3,padding=1),
            nn.ReLU(),
            nn.MaxPool2d(kernel_size=3, stride=2)
        )
        # 全连接层
        self.classifier = nn.Sequential(
            # 全连接的第一层，输入卷积输出的拉平值，即6*6*256
            # 输出为4096
            nn.Linear(in_features=6*6*256,out_features=4096),
            nn.ReLU(),
            # AlexNet采取了DropOut进行正则，防止过拟合
            nn.Dropout(p=0.5),
            nn.Linear(4096,4096),
            nn.ReLU(),
            nn.Dropout(p=0.5),
            # 最后一层，输出1000个类别，也是我们所说的softmax层
            nn.Linear(4096,num_classes)
        )

    # 前向算法
    def forward(self,x):
        x = self.features(x)
        x = torch.flatten(x,1)
        result = self.classifier(x)
        return result