谁创造了AlexNet?

　　AlexNet是有Hinton大神的弟子Alex Krizhevsky提出的深度卷积神经网络。它可视为LeNet的更深更宽的版本。

AlexNet主要用到的技术

• 成功使用ReLU作为CNN的激活函数，并验证了其效果在较深的神经网络超过了sigmiod,成功解决了sigmoid在网络较深时的梯度弥散问题。
• 训练时候使用Dropout以一定概率随机失活了一部分神经元，一面模型过拟合。
• 使用重叠最大池化方法：池化核尺寸大于步长，是的卷积层的输出之间有重叠部分，提升了特征的丰富性。
• 提出了LRN（局部相应归一化），对局部神经元创建竞争机制，使得响应大的神经元输出变得更大，抑制了反馈较小的神经元。一定程度提升了泛化能力。
• 使用CUDA加速，两块GTX 580 3GB 显卡加速。这导致论文中的网络结构图分为两路训练。
• 采用数据增强：随机地从226*226的原图中截取224*224大小的区域（水平翻转以及镜像），数据增强有效抑制过拟合，提高泛化能力。

网络结构

　　整个AlexNet有8个需要训练的层（不包含LRN和池化层），前5层是卷积层，后三层是全连接层，其中最后的全连接层输出是一个1000通道softmax映射归一化结果，表示输入在1000类别的响应情况，或者说在归属类上的概率分布，再细致的说就是每个通道的softmax输出表示输入属于该类的可能性。由于当时显存容量的限制，作者使用了2块GTX580 3GB RAM 的GPU并行训练，所以网络分成两路。

如今我们显卡已经足够，可以并成一路。

以上的网络中:

• 5个卷积层的卷积核依次为：11*11*3@96，5*5*96@256，3*3*256@384，3*3*384@384，3*3*384@265，步长依次为4,1,1,1,1，模式为VALID,SAME,SAME,SAME,SAME
• 池化层在第①第②和第⑤个卷积层之后，每一次池化，尺寸减半。
• LRN在第①和第②的池化层和ReLU后的后的卷积层之间
• 随后就是三个全连接层，最后一个全连接层是softmax输出的结果。

AlexNet的实现

（待续）

参考

https://blog.csdn.net/sun_28/article/details/52134584

《tensorflow实战》