AlexNet各子层的输出形状_对于alexnet网络,它的每一层输出形状-优快云博客

本文链接：https://blog.youkuaiyun.com/kgkzhiwen/article/details/106992832

本文详细介绍了AlexNet的网络结构，并通过计算得出各子层的输出形状，包括卷积层和池化层。同时，讨论了如何保持滤波器输出形状，并提及了内存需求和GoogLeNet的类似问题。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

文章目录

AlexNet各子层的输出形状
AlexNet的网络结构
计算各子层的输出形状
打印各子层的输出形状
保持滤波器输出形状
GoogLeNet
内存

AlexNet各子层的输出形状

在学习利用PaddlePaddle构建AlexNet的时候，看到第一层全连接的输入数目12544，第一反应就是，这么大的数字，是如何得到的？

有两种办法：通过计算获得和利用PaddlePaddle 的参数打印功能。

AlexNet的网络结构

训练营给出的AlexNet 的网络结构：

class AlexNet(fluid.dygraph.Layer):
    def __init__(self, num_classes=1):
        super(AlexNet, self).__init__()
        
        # AlexNet与LeNet一样也会同时使用卷积和池化层提取图像特征
        # 与LeNet不同的是激活函数换成了‘relu’
        self.conv1 = Conv2D(num_channels=3, num_filters=96, filter_size=11, stride=4, padding=5, act='relu')
        self.pool1 = Pool2D(pool_size=2, pool_stride=2, pool_type='max')
        self.conv2 = Conv2D(num_channels=96, num_filters=256, filter_size=5, stride=1, padding=2, act='relu')
        self.pool2 = Pool2D(pool_size=2, pool_stride=2, pool_type='max')
        self.conv3 = Conv2D(num_channels=256, num_filters=384, filter_size=3, stride=1, padding=1, act='relu')
        self.conv4 = Conv2D(num_channels=384, num_filters=384, filter_size=3, stride=1, padding=1, act='relu')
        self.conv5 = Conv2D(num_channels=384, num_filters=256, filter_size=3, stride=1, padding=1, act='relu')
        self.pool5 = Pool2D(pool_size=2, pool_stride=2, pool_type='max')

        self.fc1 = Linear(input_dim=12544, output_dim=4096, act='relu')
        self.drop_ratio1 = 0.5
        self.fc2 = Linear(input_dim=4096, output_dim=4096, act='relu')
        self.drop_ratio2 = 0.5
        self.fc3 = Linear(input_dim=4096, output_dim