【深度学习笔记（七）】之ALexNet卷积神经网络

灰太狼 2023-10-07 14:23 13阅读 0赞

### 本文章由公号【开发小鸽】发布！欢迎关注！！！ ###

**老规矩–妹妹镇楼：**

![20200721223424816.JPG][]

### 一. AlexNet网络结构： ###

Input 
    Layer1 : conv + pool
    Layer2 : conv + pool
    Layer3 : conv
    Layer4 : conv
    Layer5 : conv + pool
    Layer6 : Full
    Layer7 : Full
    Softmax Output

### 二. AlexNet网络每一层的参数： ###

#### (一)Input： ####

227 x 227 x 3，输入图像的尺寸为227 x 227，3通道。

#### （二）Layer1 : ####

**CONV1** : 96个滤波器， 每个滤波器的尺寸为 11 x 11， 步长为4， pad 为0

**从这些参数可以看出，第一层的卷积只是为了粗略地提取图像中的特征，非常大的滤波器尺寸，步长，得到的图像特征比较少。**

**MAX POOL1**: 使用3 x 3的滤波器，步长为2，进行特征压缩

**NORM1**:归一化层

#### （三）Layer2: ####

**CONV2:** 256个滤波器，滤波器的尺寸为 5 x 5，步长为 1， pad 为2。从这些参数可以看出，这是为了提取更加多的图像特征。

**为什么滤波器的个数增加为256个呢？  
因为第一层池化后，特征图的尺寸减小，即特征被压缩了。因此需要增大滤波器的个数，使特征图中的特征数保持平衡。有利于更好地表达特征。**

**MAX POOL2**: 使用3 x 3的滤波器，步长为2，进行特征压缩。与之前的POOL选择同样的大小。

**NORM2**:归一化层

#### （四）Layer3: ####

**CONV3**: 384个滤波器，滤波器的尺寸减小为3 x 3，步长为1， pad 为1。

**增大滤波器的个数，保持特征图中特征个数的平衡。滤波器的尺寸降低，步长降低，提取更多的特征。**

#### （五）Layer4： ####

**CONV4**: 384个滤波器，滤波器的尺寸减小为3 x 3，步长为1， pad 为1。与上一层的卷积层参数尺寸相同。

#### （六）Layer5: ####

**CONV5**: 256个滤波器，滤波器的尺寸减小为3 x 3，步长为1， pad 为1。

**MAX POOL3:** 同样是3 x 3的滤波器，步长为2，与之前的POOL层参数相同。

#### （七）Layer6: ####

**FC6**: 4096个神经元。全连接层就是之前的经典神经网络。

#### （八）Layer7: ####

**FC7**: 4096个神经元。

#### （九）Layer8: ####

**FC8**: Softmax分类器，全连接输出1000 个神经元（类别数）

![在这里插入图片描述][2020072321221099.png]

[20200721223424816.JPG]: https://img-blog.csdnimg.cn/20200721223424816.JPG
[2020072321221099.png]: https://img-blog.csdnimg.cn/2020072321221099.png

发表评论取消回复

表情：

评论列表（有 0 条评论，13人围观）

还没有评论，来说两句吧...

相关阅读

相关深度学习卷积神经网络

目录 1 CNN网络的构成 2 卷积层 2.1 卷积的计算方法 2.2 padding（填充） 2.3 stride（

怼烎@/ 2024年03月31日 14:55/ 0 赞/ 144 阅读

相关【深度学习笔记（七）】之ALexNet卷积神经网络

本文章由公号【开发小鸽】发布！欢迎关注！！！老规矩–妹妹镇楼： ![20200721223424816.JPG][] 一. AlexNet网络结构：

灰太狼/ 2023年10月07日 14:23/ 0 赞/ 14 阅读

相关卷积神经网络CNN与深度卷积神经网络-学习笔记

卷积神经网络与深度卷积神经网络学习总结笔记 0. 卷积神经网络基础 0.1 二维卷积层（二维卷积层，常用于处理图像数据） 0.1.1

爱被打了一巴掌/ 2023年07月18日 02:55/ 0 赞/ 35 阅读

相关卷积神经网络之AlexNet

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。知道2012年，Alex等人提出的AlexNet网络在ImageNet大赛上以

清疚/ 2023年06月13日 13:30/ 0 赞/ 41 阅读

相关深度学习笔记_卷积神经网络基本概念

卷积神经网络(CNN)典型结构 ![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nL

我会带着你远行/ 2023年02月28日 12:51/ 0 赞/ 24 阅读

相关卷积神经网络之(深度卷积神经网络)AlexNet

卷积神经网络之AlexNet 2012年AlexNet横空出世，赢得了ImageNet2012图像识别挑战赛。首次证明了学习到的特征可以超越手工设计的特征。 Alex

绝地灬酷狼/ 2022年12月25日 13:52/ 0 赞/ 239 阅读

相关深度学习笔记_卷积神经网络参数计算

卷积后卷积层大小 W2= (W1-F+2P)/S +1 即 (原始图像的宽度-卷积核的宽度+2倍的填充宽度)/步长 + 1 采用K个大小为FxF的卷积核

傷城~/ 2022年12月11日 15:27/ 0 赞/ 241 阅读

相关【深度学习】卷积神经网络速成

【深度学习】卷积神经网络速成文章目录【深度学习】卷积神经网络速成 1 概述 2 组成 2.1 卷积层 2.2 池化层

我就是我/ 2022年11月19日 06:29/ 0 赞/ 228 阅读

相关深度学习笔记1(卷积神经网络)

深度学习笔记1(卷积神经网络) 在看完了UFLDL教程之后，决定趁热打铁，继续深度学习的学习，主要想讲点卷积神经网络，卷积神经网络是深度学习的模型之一，还有其它如Auto

今天药忘吃喽~/ 2022年08月01日 06:12/ 0 赞/ 313 阅读

相关深度学习：卷积神经网络CNN

http://[blog.csdn.net/pipisorry/article/details/76571670][blog.csdn.net_pipisorry_articl

我会带着你远行/ 2022年06月11日 07:18/ 0 赞/ 476 阅读