AlexNet 论文总结一、论文翻译摘要（一）引言（二）数据集（三）架构1. ReLU非线性2. 多GPU训练3. 局部响应归一化（LRN）4. 重叠池化5. 整体架构（四）减少过拟合1. 数据增强2. Dropout（五）学习细节（六）结果1. 定性评估（七）探讨二、论文笔记（一）网络架构梳理1. 卷积层 1（conv1）2. 卷积层 2（conv2）3. 卷积层 3（conv3）4. 卷积层 4（conv4）5. 卷积层 5（conv5）6. 全连接层 1（fc1）7. 全连接层 2（fc2）8. 全连接层 3（fc3）（二）局部响应归一化（LRN）1. 为什么要引入LRN层？2. LRN

AlexNet 特征 8层变换，其中有5层卷积和2层全连接隐藏层，以及1个全连接输出层。 将sigmoid激活函数改成了更加简单的ReLU激活函数。 用Dropout来控制全连接层的模型复杂度。 引入数据增强，如翻转、裁剪和颜色变化，从而进一步扩大数据集来缓解过拟合 第一个卷积层 输入的图片大小为:2242243（或者是2272273） 第一个卷积层为:111196即尺寸为1111,有96个卷积核,步长为4,卷积层后跟ReLU,因此输出的尺寸为 224/4=56,去掉边缘为55,因此其输出的每个feature map 为 555596,同时后面跟LRN层,尺寸不变. 最大池化层,核大小为33

首先贴出三个链接： 1. AlexNet网络结构详解视频 2. 使用pytorch搭建AlexNet并针对花分类数据集进行训练 3. 使用tensorflow搭建AlexNet并针对花分类数据集进行训练 AlexNet是2012年ILSVRC 2012（ImageNet Large Scale Visual Recognition Challenge）竞赛的冠军网络，分类准确率由传统方法的 70%+提升到 80%+（当时传统方法已经进入瓶颈期，所以这么大的提升是非常厉害的）。它是由Hinton和他的学生Alex Krizhevsky设计的。也是在那年之后，深度学习开始迅速发展。下图是从Alex