AlexNet模型

1. 引入必要模块

import torchvision.models as models import torch.nn as nn

• torchvision.models：包含预定义的经典模型，如 AlexNet、ResNet 等。
• torch.nn：用于构建神经网络的模块库，包括卷积层、全连接层等。

---

2. 加载预定义的 AlexNet 并打印结构

alexnet = models.alexnet() print(alexnet)

• 加载 PyTorch 提供的 AlexNet 预训练模型。
• 打印出模型结构，帮助理解其内部组成。

---

3. 定义自定义的 AlexNet

class MyAlexNet(nn.Module): def __init__(self): super(MyAlexNet, self).__init__() # 层的定义

• 创建一个自定义的 AlexNet 类，继承自 torch.nn.Module。
• super(MyAlexNet, self).__init__() 调用父类初始化函数。

3.1 定义卷积层和池化层

self.conv1 = nn.Conv2d(in_channels=3, out_channels=64, kernel_size=11, stride=4, padding=2) self.pool1 = nn.MaxPool2d(3, stride=2) self.conv2 = nn.Conv2d(64, 192, 5, 1, 2) self.pool2 = nn.MaxPool2d(3, stride=2) self.conv3 = nn.Conv2d(192, 384, 3, 1, 1) self.conv4 = nn.Conv2d(384, 256, 3, 1, 1) self.conv5 = nn.Conv2d(256, 256, 3, 1, 1) self.pool3 = nn.MaxPool2d(3, stride=2) self.adapool = nn.AdaptiveAvgPool2d(output_size=6)

• conv1 到 conv5：5 个卷积层，分别处理输入特征。包括：
  • 通道数：输入通道和输出通道。
  • 卷积核大小：如 11×1111 \times 1111×11、5×55 \times 55×5 等。
  • 步长（stride）：决定每次卷积的移动步长。
  • 填充（padding）：用于保持输出特征图尺寸。
• pool1 到 pool3：3 个最大池化层，用于下采样特征图，减小空间维度。
• adapool：自适应平均池化层，将特征图调整为固定尺寸 6×66 \times 66×6，简化后续全连接层的设计。

---

3.2 定义全连接层

self.fc1 = nn.Linear(9216, 4096) self.fc2 = nn.Linear(4096, 4096) self.fc3 = nn.Linear(4096, 1000)

• 全连接层处理平坦化后的输入特征：
  • 9216 是由 256×6×6256 \times 6 \times 6256×6×6 计算得来。
  • 1000 表示输出类别数量（ImageNet 数据集通常有 1000 类）。
• 这里的参数包括权重和偏置，将会参与训练。

---

4. 定义前向传播逻辑

def forward(self, x):

• 定义输入 xxx 如何经过各层传播并最终生成输出。

4.1 卷积和池化部分

x = self.conv1(x) x = self.relu(x) x = self.pool1(x) x = self.conv2(x) x = self.relu(x) x = self.pool2(x) x = self.conv3(x) x = self.relu(x) print(x.size()) x = self.conv4(x) x = self.relu(x) print(x.size()) x = self.conv5(x) x = self.relu(x) x = self.pool3(x) print(x.size())

• 每个卷积层后都使用 ReLU 激活函数，增强模型的非线性表示能力。
• 每个池化层后，