==代码地址==
https://github.com/xmy0916/DLNetwork

简介

AlexNet首次在大规模图像数据集实现了深层卷积神经网络结构，点燃了深度学习这把火。其在ImageNet LSVRC-2012目标识别的top-5 error为15.3%，同期第二名仅为26.2%，碾压其他传统的hand-craft 特征方法，使得计算机视觉从业者从繁重的特征工程中解脱出来，转向思考能够从数据中自动提取需要的特征，做到数据驱动。得益于GPU计算性能的提升以及大规模数据集的出现，自此后每年的ImageNet LSVRC挑战赛都被深度学习模型霸占着榜首。

重点

参考：https://blog.csdn.net/qq_31278903/article/details/90671908

• Relu做激活函数，代替Sigmoid来加快SGD的收敛速度
• dropout避免过拟合
• 使用了重叠的最大池化（Max Pooling）
• 提出LRN（局部响应归一化）
• 使用GPU加速训练
• 使用了数据增强策略（Data Augmentation）

RELU

• 计算开销小。sigmoidsigmoid的正向传播有指数运算，倒数运算，而ReLu是线性输出；反向传播中，sigmoidsigmoid有指数运算，而ReLU有输出的部分，导数始终为1.
• 梯度饱和问题
• 稀疏性。Relu会使一部分神经元的输出为0，这样就造成了网络的稀疏性，并且减少了参数的相互依存关系，缓解了过拟合问题的发生

数据增强

神经网络由于训练的参数多，表能能力强，所以需要比较多的数据量，不然很容易过拟合。当训练数据有限时，可以通过一些变换从已有的训练数据集中生成一些新的数据，以快速地扩充训练数据。对于图像数据集来说，可以对图像进行一些形变操作：

• 翻转
• 随机裁剪
• 平移，颜色光照的变换
• …

AlexNet中对数据做了以下操作：

随机裁剪，对256×256256×256的图片进行随机裁剪227×227227×227，然后进行水平翻转。测试的时候，对左上、右上、左下、右下、中间分别做了5次裁剪，然后翻转，共10个裁剪，之后对结果求平均。
对RGB空间做PCA（主成分分析），然后对主成分做一个（0, 0.1）的高斯扰动，也就是对颜色、光照做变换，错误率下降1%

层叠池化

在AlexNet中使用的池化（Pooling）却是可重叠的，也就是说，在池化的时候，每次移动的步长小于池化的窗口长度。AlexNet池化的大小为3×3的正方形，每次池化移动步长为2，这样就会出现重叠。重叠池化可以避免过拟合，这个策略贡献了0.3%的Top-5错误率。与非重叠方案s=2，z=2s=2，z=2相比，输出的维度是相等的，并且能在一定程度上抑制过拟合。

LRN

好像都没人用了…

Dropout避免模型过拟合

这个是比较常用的抑制过拟合的方法了。
引入Dropout主要是为了防止过拟合。在神经网络中Dropout通过修改神经网络本身结构来实现，对于某一层的神经元，通过定义的概率将神经元置为0，这个神经元就不参与前向和后向传播，就如同在网络中被删除了一样，同时保持输入层与输出层神经元的个数不变，然后按照神经网络的学习方法进行参数更新。在下一次迭代中，又重新随机删除一些神经元（置为0），直至训练结束。
Dropout应该算是AlexNet中一个很大的创新，现在神经网络中的必备结构之一。Dropout也可以看成是一种模型组合，每次生成的网络结构都不一样，通过组合多个模型的方式能够有效地减少过拟合，Dropout只需要两倍的训练时间即可实现模型组合（类似取平均）的效果，非常高效。

结构

在线看网络结构

代码

参考pytorch官方实现的AlexNet代码，修改到我的工程，官方代码链接：
https://github.com/pytorch/vision/tree/master/torchvision/models

这里和LeNet的一样在cifar10上进行测试，首先采用两种策略进行测试：

• Training from scratch
• finetune on official pretrained model

策略一比较简单，基本不用修改代码结构，不多赘述，策略二进行了简单的修改：

def AlexNet_pretrain(saveFeature = False,cfg = None):
    model = AlexNet(saveFeature = saveFeature, cfg = cfg)
    num_class = cfg["num_class"]
    state_dict = load_state_dict_from_url(model_urls['alexnet'])
    if num_class != 1000:
        weight = torch.Tensor(random.rand(num_class, 4096))
        bias = torch.Tensor(random.rand(num_class))
        state_dict["classifier.6.weight"] = weight
        state_dict["classifier.6.bias"] = bias
    model.load_state_dict(state_dict)
    return model

这段代码给AlexNet类套了个函数在外头，官方pretrain的模型分类是1000但是我们只需要10分类，因此在判断分类类别时如果不等于1000需要对torch.load加载的字典的值进行处理，就是把最后的全连接层的参数给删了赋值我们自己随机初始化的tensor即可，代码对应：

if num_class != 1000:
        weight = torch.Tensor(random.rand(num_class, 4096))
        bias = torch.Tensor(random.rand(num_class))
        state_dict["classifier.6.weight"] = weight
        state_dict["classifier.6.bias"] = bias

最后在两种策略上进行5epoch的训练测试：

完整代码地址：https://github.com/xmy0916/DLNetwork

配置不加pretrain：
config/config.py：

运行命令：

python3 train.py --model alexnet