AlexNet 参数计算

最新推荐文章于 2025-06-15 20:28:36 发布
最新推荐文章于 2025-06-15 20:28:36 发布
阅读量9.2k 收藏 27
点赞数 4
CC 4.0 BY-SA版权
分类专栏： 机器学习 文章标签： AlexNet 人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/superyang198608/article/details/82876445
本文详细解析了AlexNet神经网络的结构，包括各卷积层与全连接层的节点数量及参数计算过程，展示了从输入到输出的完整计算流程。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

FeatureMap大小计算公式：

No Padding：
长=（Input长-过滤器长+2x填充数目）/步长 +1
宽=（Input宽-过滤器宽+2x填充数目）/步长 +1
Padding：
长=Input长/步长+1
宽=Input宽/步长+1

AlexNet：

Input：224x224x3=150528
CNN1: 96个11x11x3的卷积核，
节点数量为：55x55x48x2=290400
参数数量：11x11x3x96+96=34944
CNN2: 256个5x5x48卷积核，
节点数量为：27x27x128x2=186624
参数数量：（5x5x48x128+128）x2=307456
CNN3: 384个3x3x256卷积核，
节点数量为：13x13x192x2=64896
参数数量：3x3x256x384+384=885120
CNN4: 384个3x3x192卷积核，
节点数量为：13x13x192x2=64896
参数数量：（3x3x192x192+192）x2=663936
CNN5: 256个3x3x192卷积核，
节点数量为：13x13x128x2=43264
参数数量：（3x3x192x128+128）x2=442624
FC1：
节点数量：4096
参数数量：（6x6x128x2）x4096+4096=37752832
FC2：
节点数量：4096
参数数量：4096x4096+4096=16781312
FC2：
节点数量：4096
参数数量：4096x1000+1000=4097000

通过上面计算：
节点数量总数：809800
参数数量总数：60965224
卷积层参数：2334080，占总参数的3.8%
全连接层参数：58631144，占总参数量的96.2%

AlexNet系列I:模型参数计算
bmwlwg的博客
09-23 3841
Part I: 计算结果总表 AlexNet基本结构图： AlexNet模型参数计算总表： Layer Name Filter Padding Kernel Stride Img size Tensor Size Weights Biases Parameters Input Image - - - - ...
深度学习之alexNet算法参数量
my_share的专栏
06-07 7044
AlexNet中的参数数量 AlexNet的网络结构图： 总的来说，AlexNet由输入层，5个卷积层，3个全连接层组成(其中最后一个全连接层也是softmax输出层）。图中详细标出了输入大小以及各层的结构参数。特别需要注意的是：网络是分布在2个GPU上的，部分层只跟同一个GPU中的上一层连接（看起来，stackoverflow那个帖子中题主没有考虑这个问题）。 接下来梳理一下各层的参数情况： 输入层：图片大小：宽高通道(RGB)依...
卷积神经网络中卷积层的结构与计算过程详解 —— 以AlexNet为例
最新发布
qq_62691643的博客
06-15 1551
在图像识别和计算机视觉任务中，卷积神经网络（CNN）是目前最主流的深度学习模型结构之一。而其中的卷积层（Convolutional Layer），作为提取图像特征的核心模块，扮演着至关重要的角色。本文将通过直观分析与数值示例，结合经典的 AlexNet 网络结构，详细讲解卷积层的结构与计算过程，并重点解释激活函数在其中的作用和位置。
AlexNet网络结构参数计算
weixin_44180506的博客
05-01 1940
文章目录前言一、CNN网络性能参数计算方法二、简化AlexNet网络参数计算二、真实的AlexNet网络参数计算总结 前言 CS231n中详细介绍了AlexNet网络结构，又参考了EECS 498-007 / 598-005，有两个问题不解： CS231n和EECS 498-007 / 598-005介绍的AlexNet网络结构为何不同？ 按照EECS 498-007 / 598-005介绍的网络参数计算方法，为何算出的参数量和网上的博客不同？ 到现在第一个问题还未解决。第二个有了我自己的理解。 一
深度学习（4）——以AlexNet为例计算神经网络的参数量parameters和浮点运算次数FLOPs
weixin_41761357的博客
12-11 5959
上一片博客(指路)末尾有提到计算公式，这里就不再赘述了放个截图。 本文将以AlexNet为例，计算AlexNet参数量量和浮点运算次数。 计算参数量 1.首先回顾参数量的计算公式： 如果输入是C channel ×H×W；卷积核是C inchannel × M outchannel ×K ×K； parameters = [（K ×K）×C inchannel ]×M outchannel+M 2.分析AlexNet网络结构 共进行五次卷积操作,各层之间的kernel大小和输出feature尺寸下图
AlexNet模型结构，卷积池化参数计算以及应用
plus_left的博客
05-16 1048
AlexNet模型结构，卷积池化参数计算以及应用AlexNet显示模型参数pytorch版本keras版本应用到cifar10数据集上进行分类模型训练应用分类 AlexNet显示模型参数 pytorch版本 # 代码测试各网络层参数情况 import torch.nn as nn from torchsummary import summary import torch.nn.functional as F class testNet(nn.Module): def __init__(self)
AlexNet结构参数详解
热门推荐
fencecat的博客
04-08 1万+
2012年ImageNet 分类大赛冠军得主ALexNet结构大解析
从 AlexNet 到 Swin Transformer：计算机视觉架构演进图谱
u012374012的专栏
03-31 1193
在计算机视觉领域，模型架构的演进宛如一场精彩绝伦的技术接力赛，从早期的 CNN 逐步过渡到如今大放异彩的 Transformer，每一次关键节点的突破都为整个领域注入了强大的动力，推动着视觉任务的性能迈向新的高度。本文将沿着时间轴，梳理这一演进路径中具有里程碑意义的模型以及 Transformer 的突破性成果，展现技术迭代的脉络。
预训练AlexNet模型参数
09-13
本资源包含的"bvlc_alexnet.npy"文件是AlexNet模型的预训练参数，以numpy数组格式存储，适合初学者进行实践和学习。 首先，我们需要了解AlexNet的基本结构。AlexNet是一个8层的深度神经网络，包括5个卷积层、3个全...
AlexNet网络的参数权值
08-04
使用ImageNet数据集训练AlexNet网络的参数权值，可以直接在tensorflow中使用
AlexNet中的参数数量
XYYHLark01的博客
03-22 4948
参考：https://vimsky.com/article/3664.html
模型参数计算量
qq_34425255的博客
10-18 365
(2)VGG16是138M量级 13800万，参数量一下子两倍多，1.38亿个参数。(1)发现Alexnet参数量是大约6000万，M表示百万，那就是60M这个量级。通过实验验证，使用更小的卷积核3乘3堆叠，并增加深度可以提高模型性能。16个卷积层，3个全连接层，1.44亿个参数。5层卷积，3层全连接，总共8层。VGG19参数量是144M量级。13个卷积层，3个全连接层。
PyTorch实现AlexNet模型及参数详解（重点）
Fighting Hua
06-23 359
https://blog.youkuaiyun.com/mingxiaod/article/details/88369761
AlexNet模型
奋斗才是年轻该有的状态
09-07 3177
一、AlexNet模型简介   上面对LeNet这个网络模型进行了介绍，该模型对手写数字是被具有较高的识别率，但是对于大数据量、复杂的物体图片分类，该模型的效果还是远远达不到要求的。在此背景下，AlexNet模型被提出，该模型在2012年imagenet上的图像分类challenge上赢得了的冠军。AlexNet模型证明了CNN在复杂模型下的有效性，并使用GPU使得大数据训练在可接受的时间范围内得
【Caffe】网络参数详解（Alexnet举例）1
qq_32790593的博客
05-12 622
<link rel="stylesheet" href="https://csdnimg.cn/release/phoenix/template/css/ck_htmledit_views-f57960eb32.css"> <link rel="stylesheet" href="https://csdnimg.cn/...
AlexNet模型笔记
weixin_42430904的博客
10-21 263
AlexNet论文笔记 模型介绍： 如下图所示，其网络结构为它包含8个学习层—–5个卷积层和3个全连接层。 模型参数分析： [227x227x3] INPUT [55x55x96] CONV1:96 11113 filters at stride 4 ,pad 0 [27x27x96] MAX POOL1: 3x3 filters at stride 2 [27x27x96] NORM1:Norm...
AlexNet详解
qq_30150579的博客
10-24 1392
AlexNet详解
ALEXNET参数详解
Soliida的博客
03-29 1842
http://jcf94.com/2017/04/04/2017-04-04-alexnetalexnet参数分析ALexNet模型的详解https://blog.youkuaiyun.com/chaipp0607/article/details/72847422https://blog.youkuaiyun.com/maweifei/article/details/53117830
alexnet和vgg为什么参数量过多
柴犬犬舍
07-25 1227
卷积层 以上图的模型为例，卷积层的参数个数只有（卷积核的宽*卷积核的高+1）*输出通道数， 其中括号内卷积核的宽*卷积核的高是属于权重值的，1是属于偏置值的。 下面只用权重估算 如第一层卷积层只有7*7*3*64=9408个参数 第二层卷积层只有3*3*64*192=110592个参数 全连接层 而全连接层则是将延展成一维的特征图 维度为(特征图宽*特征图高*输入通道数)*1 直接乘上维度为 (特征图宽*特征图高*输入通道数)*全连接层输出通道数 的矩阵 ，最终这个矩阵参数量为(特...
Alexnet计算资源
03-08
### AlexNet 模型的计算资源需求 #### GPU 内存 AlexNet 是早期深度卷积神经网络之一，在当时推动了图像识别技术的重大进步。该模型包含大量参数和特征映射，这使得它对硬件的要求较高。具体来说，AlexNet 的结构设计导致其在训练过程中需要较大的显存空间来存储中间激活值、梯度以及权重更新等信息[^5]。 为了有效地支持 AlexNet 训练，推荐使用的 GPU 应具备至少 4GB 到 6GB 显存容量。现代版本或改进后的 AlexNet 可能在更大规模数据集上进行训练时会占用更多内存；因此，配备更高规格如 8GB 或以上的 GPU 更加理想。 #### 处理器 (CPU/GPU) 当考虑用于训练 AlexNet 的处理器时，显然 GPU 相较于 CPU 表现出显著优势。这是因为 GPU 设计之初就旨在处理高度并行的任务，非常适合像矩阵乘法这样可以被分解成许多独立子任务的操作——而这正是深层神经网络的核心组成部分[^2]。 对于 CPU 来说，即使是最强大的多核心型号也无法匹敌同等价位下专用图形卡所提供的浮点运算性能。举例而言，一台拥有 16 个物理核心的服务级机器大约只有约 160 GFLOPS 的持续运算效能，而 NVIDIA V100 这样的高端 GPU 却能达到接近 7 TFLOPS 的实际表现水平。 这意味着如果使用 CPU 来单独完成一次完整的 AlexNet 前向传播加上反向传播过程可能耗时数周甚至几个月不等，相比之下，借助强大 GPU 支持下的相同工作可以在几天之内顺利完成。 ```python import torch from torchvision import models, transforms from PIL import Image device = 'cuda' if torch.cuda.is_available() else 'cpu' model = models.alexnet(pretrained=True).to(device) transform = transforms.Compose([ transforms.Resize((224, 224)), transforms.ToTensor(), ]) image_path = "path_to_image.jpg" img = Image.open(image_path) input_tensor = transform(img).unsqueeze(0).to(device) with torch.no_grad(): output = model(input_tensor) ```
评论 4
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值