今天小编就为大家分享一篇PyTorch实现AlexNet示例，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧

alexnet.mlpkginstall，解压后用matlab打开alexnet.mlpkginstall，（我的是2021a，低一点版本也能用，matlab7.1之类太低了就不知道了）（可以放在matlab的工作目录中）打开后会让你注册一下matlab，（不需要正版）注册安装后就可以使用训练好的网络（非正版也可以用）。苹果分类数据集中用到了已经训练好的AlexNet网络来做特征提取，需要这个包，否则可能需要训练一个编解码器来做特征提取，太麻烦。

在MATLAB2020以上平台，利用Alexnet模型训练交警手势，训练后的模型可以检测交警手势图像，准确率可达98%以上。

猫VS狗分类器 需要最新版本的Matlab（R2017b）才能运行此文件夹中的代码。 为了设置“猫与狗”数据集，您必须将数据集划分为两个标记为“ cat”和“ dog”的子文件夹，并在其各自的图片中带有Kaggle Training文件夹。 您还必须检查以确保图像数据存储库是从正确的目录中提取的。 ALEXNET.m和VGG19.m是此文件夹中的主要代码文件，用于设置和训练各自的模型。 该文件夹是用于Oge Marques的CAP 4630-003：FAU的人工智能简介的存储库。 版权所有。

pytorch编写AlexNet实现多花分类，里边包含数据集，以及测试图片

人脸表情会受到姿势、物体遮挡、光照变化以及人种性别年龄等因素的影响,需要卷积神经网络更有效准确地学习特征。AlexNet在表情识别中准确率不高,对输入图像尺寸有限制,针对这些问题,提出了改进AlexNet网络的人脸表情识别算法。在AlexNet网络中引入多尺度卷积更加适用于小尺寸的表情图像,提取出不同尺度的特征信息,并在把多个低层次特征信息在向下传递的同时与高层次特征信息进行跨连接特征融合,从而可以更加完整准确地反映图像信息,构造出更准确的分类器。跨连接会产生参数爆炸,导致网络训练困难,影响识别效果,因此利用全局平均池化对低层次特征信息进行降维,可减少跨连接产生的参数和过拟合现象。本文算法在CK+、JAFFE数据库上的准确率分别为94.25%和93.02%。

【MATLAB教程案例54】Alexnet网络的MATLAB编程学习和实现，以步态识别为例进行仿真分析。matlab入门100例中用到的步态数据库。

用于pytorch的图像分类，包含多种模型方法，比如AlexNet，VGG，GoogleNet，ResNet，DenseNet等等，包含可完整运行的代码。除此之外，也有colab的在线运行代码，可以直接在colab在线运行查看结果。

AlexNet模型是Hinton的学生Alex Krizhevsky在2012年提出来的。AlexNet包含了几个比较新的技术点，也首次在CNN中成功应用了ReLU、Dropout和LRN等Trick。 AlexNet主要使用的新技术点如下： （1）成功使用ReLU作为CNN的激活函数，并验证其效果在较深的网络超过了sigmoid，解决了sigmoid在网络较深时的梯度弥散问题。 （2）训练时使用dropout随机忽略一部分神经元，以避免过拟合，主要是最后几个全连接层使用了dropout。 （3）在CNN中使用重叠的最大池化，避免平均池化的模糊化效果。并且提出让步长比池化核的尺寸小，这样池化层的输出之间会有重叠和覆盖，提升了特征的丰富性。 （4）提出了LRN层，对局部的神经元活动创建竞争机制，使其中响应比较大的值变得更大，增强了模型的泛化能力。 （5）使用CUDA加速深度卷积网络的训练，利用GPU强大的并行计算能力，处理神经网络训练时大量的矩阵运算。 （6）数据增强，大大减轻过拟合，提升泛化能力。

bvlc_alexnet.caffemodel,