动手学深度学习（pytorch）学习记录27-深度卷积神经网络(AlexNet)[学习记录]

AlexNet 是由 Alex Krizhevsky、Ilya Sutskever 和 Geoffrey Hinton 在 2012 年提出的深度卷积神经网络，它在当年的 ImageNet 大规模视觉识别挑战赛（ILSVRC）中取得了显著的成绩，从而引起了深度学习和卷积神经网络（CNN）在计算机视觉领域的广泛关注。AlexNet 的成功标志着深度学习在图像识别和分类任务中的一个重大突破，它采用了以下关键技术和创新：

• ReLU激活函数：AlexNet 首次在大规模的深度网络中使用了 Rectified Linear Unit（ReLU）激活函数，这有助于解决梯度消失问题，并加速了网络的训练过程。
• Dropout 正则化：为了防止过拟合，AlexNet 引入了 Dropout 技术，这是一种在训练过程中随机丢弃一部分神经元的技术。
• 最大池化层：AlexNet 使用了最大池化层来降低特征的空间尺寸，同时保持重要的特征信息。
  数据增强：为了提高模型的泛化能力，AlexNet 采用了图像数据增强技术，包括随机裁剪和水平翻转。
• GPU 加速：AlexNet 利用了 GPU 并行计算的能力，显著提高了训练速度。
• 深度架构：AlexNet 采用了8层深度网络结构，包括5个卷积层和3个全连接层，这在当时是一个相对较深的网络。
• 局部响应归一化（LRN）：在某些卷积层之后，AlexNet 使用了局部响应归一化来增强网络的泛化能力。

AlexNet 的成功不仅推动了深度学习在图像识别领域的研究，也为后续的深度学习模型，如 VGG、GoogLeNet 和 ResNet 等奠定了基础。它的出现是深度学习历史上的一个重要里程碑。

import torch
from torch import nn
from d2l import torch as d2l

创建模型

# 搭建网络
net = nn.Sequential(
    # 这里使用一个11*11的更大窗口来捕捉对象。
    # 同时，步幅为4，以减少输出的高度和宽度。
    # 另外，输出通道的数目远大于LeNet
    nn.Conv2d(1, 96, kernel_size=11, stride=4, padding=1), nn.ReLU(),
    nn.MaxPool2d<