AlexNet 网络结构

AlexNet

:
第一层：卷积层1，输入为 224×224×3 224 \times 224 \times 3224×224×3的图像，卷积核的数量为96，论文中两片GPU分别计算48个核; 卷积核的大小为 11×11×3 ; stride = 4, stride表示的是步长， pad = 0, 表示不扩充边缘;
卷积后的图形大小是怎样的呢？
wide = (224 + 2 * padding - kernel_size) / stride + 1 = 54
height = (224 + 2 * padding - kernel_size) / stride + 1 = 54
dimention = 96
然后进行 (Local Response Normalized), 后面跟着池化pool_size = (3, 3), stride = 2, pad = 0 最终获得第一层卷积的feature map
最终第一层卷积的输出为 27x27x96

第二层：卷积层2, 输入为上一层卷积的feature map， 卷积的个数为256个，论文中的两个GPU分别有128个卷积核。卷积核的大小为：5×5×48 ; pad = 2, stride = 1; （27-5+2*2）/1+1=27 27x27x128两组 然后做 LRN， 最后 max_pooling, pool_size = (3, 3), stride = 2;（27-3）/2+1=13 13x13x128两组

第三层：卷积3, 输入为第二层的输出，卷积核个数为384, kernel_size = (3×3×256)， padding = 1, （13-3+1*2）/1+1=13 第三层没有做LRN和Pool 13x13x192两组

第四层：卷积4, 输入为第三层的输出，卷积核个数为384, kernel_size = (3×3), paddin