深度學(xué)習(xí)應(yīng)用開發(fā) 課件 cha4 9-經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò)

目錄1AlexNet簡(jiǎn)介01任務(wù)AlexNet網(wǎng)絡(luò)結(jié)構(gòu)02任務(wù)AlexNet網(wǎng)絡(luò)層03任務(wù)1AlexNet簡(jiǎn)介1AlexNet簡(jiǎn)介AlexNet是2012年首屆ImageNet圖像分類競(jìng)賽冠軍模型，由Hinton和他的學(xué)生Alex提出，首次證明了學(xué)習(xí)到的特征可以超越手工設(shè)計(jì)的特征。AlexNet有以下貢獻(xiàn)：使用ReLU作為非線性激活函數(shù)數(shù)據(jù)擴(kuò)增使用最大池化使用dropout避免過(guò)擬合使用GPU減少訓(xùn)練時(shí)間2AlexNet網(wǎng)絡(luò)結(jié)構(gòu)2AlexNet網(wǎng)絡(luò)結(jié)構(gòu)Alexnet包含5個(gè)卷積層和3個(gè)全連接層，層數(shù)為8層3AlexNet網(wǎng)絡(luò)層3AlexNet網(wǎng)絡(luò)層（1）第一個(gè)卷積層，使用兩個(gè)大小為11×11×3的卷積核，步長(zhǎng)??=4，零填充??=3，得到兩個(gè)大小為55×55×48的特征映射組；（2）第一個(gè)匯聚層，使用大小為3×3的最大匯聚操作，步長(zhǎng)??=2，得到兩個(gè)27×27×48的特征映射組．這里的匯聚操作是有重疊的，以提取更多的特征；（3）第二個(gè)卷積層，使用兩個(gè)大小為5×5×48×128的卷積核，步長(zhǎng)??=1，零填充??=2，得到兩個(gè)大小為27×27×128的特征映射組；3AlexNet網(wǎng)絡(luò)層（4）第二個(gè)匯聚層，使用大小為3×3的最大匯聚操作，步長(zhǎng)??=2，得到兩個(gè)大小為13×13×128的特征映射組；（5）第三個(gè)卷積層為兩個(gè)路徑的融合，使用一個(gè)大小為3×3×256×384的卷積核，步長(zhǎng)??=1，零填充??=1，得到兩個(gè)大小為13×13×192的特征映射組；

（6）第四個(gè)卷積層，使用兩個(gè)大小為3×3×192×192的卷積核，步長(zhǎng)??=1，零填充??=1，得到兩個(gè)大小為13×13×192的特征映射組。3AlexNet網(wǎng)絡(luò)層（7）第五個(gè)卷積層，使用兩個(gè)大小為3×3×192×128的卷積核，步長(zhǎng)??=1，零填充??=1，得到兩個(gè)大小為13×13×128的特征映射組；（8）第三個(gè)匯聚層，使用大小為3×3的最大匯聚操作，步長(zhǎng)??=2，得到兩個(gè)大小為6×6×128的特征映射組；（9）三個(gè)全連接層，神經(jīng)元數(shù)量分別為4096、4096和1000。此外，AlexNet還在前兩個(gè)匯聚層之后進(jìn)行了局部響應(yīng)歸一化（Loc