CNN经典网络模型-论文合集【综述】，LeNet AlexNet GoogleNet ResNet CNN

基于pytorch 的Alexnet网络模型搭建+训练+预测+代码详解，用的是cifa10的数据集，网上很好找，也可以用自己的数据集，自己试过了，完全能跑通，准确率最后饱和能达到88%，建议用GPU跑，CPU太慢了。要是在修改过程中又不会的地方可以私聊我或者评论，会及时回复的哦。

AlexNet模型1. AlexNet模型介绍1.1 AlexNet的特点1.2 AlexNet的结构1.3 AlexNet参数数量2. AlexNet的PyTorch实现2.1 导入相应的包2.2 构建AlexNet网络2.3 加载数据集2.4 训练网络 1. AlexNet模型介绍 由于受到计算机性能的影响，虽然LeNet在图像分类中取得了较好的成绩，但是并没有引起很多的关注。 直到2012年，Alex等人提出的AlexNet网络在ImageNet大赛上以远超第二名的成绩夺冠，卷积神经网络乃至深度学习重新引起了广泛的关注。AlexNet首次证明了学习到的特征可以超越⼿⼯设计的特征，从而⼀举

使用ImageNet数据集训练AlexNet网络的参数权值，可以直接在tensorflow中使用

根据validate_alexnet_on_imagenet.ipynb的内容即可实现

本实验使用了Alex模型，为了简化实验，加速训练过程，修改可模型中的一些参数。看了Alex模型之后仿写的

alexnet代码matlab Sae-Pytorch 原来的 ： 语义自动编码器（SAE）的PyTorch实现。 怎么跑 git克隆 下载“ awa_demo_data.mat” python sae.py 在PyTorch中实现SAE 设置CUB，AwA，aP＆Y，SUN和ImageNet数据集。 部分完成（仅适用于AwA数据集）。 其他数据集也将很快提供。 从各种深度模型中提取深度特征，例如AlexNet，VGG16，VGG19，GoogleNet，Inception_v3，ResNet-18，ResNet-34，ResNet-50，ResNet-101，ResNet-152。 已完成，但在本文中调整了我的源代码以实现结果。 复制后将提供源代码。 训练语义自动编码器（SAE）。 完毕。 测试看不见的班级数据。 完毕。 发行公告 v1.0 错误修复 资料下载 零镜头学习的语义自动编码器：

卷积神经网络基础 卷积神经网络包括卷积层和池化层。 二维卷积层 最常见的是二维卷积层，常用于处理图像数据。 二维互相关运算 二维互相关（cross-correlation）运算的输入是一个二维输入数组和一个二维核（kernel）数组，输出也是一个二维数组，其中核数组通常称为卷积核或过滤器（filter）。卷积核的尺寸通常小于输入数组，卷积核在输入数组上滑动，在每个位置上，卷积核与该位置处的输入子数组按元素相乘并求和，得到输出数组中相应位置的元素。图1展示了一个互相关运算的例子，阴影部分分别是输入的第一个计算区域、核数组以及对应的输出。 二维卷积层将输入和卷积核做互相关运算，并加上一个标量偏置来

libtorch实现的Alexnet网络，对Cifar-10数据集进行训练和分类，测试集分类准确率达到91.01%。

本人翻译的AlexNet的翻译及原文。本人也是刚开始学习AlexNet的小白。翻译的不好请指教。