1. 模型设计

2. 激活函数

3. 模型

3. 读取数据集

4. 训练AlexNet

AlexNet的背景故事和深度学习的发展

AlexNet和LeNet的设计理念非常相似，但也存在显著差异。首先，AlexNet比相对较小的LeNet5要深得多。 AlexNet由八层组成：五个卷积层、两个全连接隐藏层和一个全连接输出层。其次，AlexNet使用ReLU而不是sigmoid作为其激活函数。下面，让我们深入研究AlexNet的细节。

1. 模型设计

2. 激活函数

此外，AlexNet将sigmoid激活函数改为更简单的ReLU激活函数。一方面，ReLU激活函数的计算更简单，它不需要如sigmoid激活函数那般复杂的求幂运算。另一方面，当使用不同的参数初始化方法时，ReLU激活函数使训练模型更加容易。当sigmoid激活函数的输出非常接近于0或1时，这些区域的梯度几乎为0，因此反向传播无法继续更新一些模型参数。相反，ReLU激活函数在正区间的梯度总是1。因此，如果模型参数没有正确初始化，sigmoid函数可能在正区间内得到几乎为0的梯度，从而使模型无法得到有效的训练。

3. 模型

import torch
from torch import nn
from d2l import torch as d2lnet = nn.Sequential(''' 这里，我们使用一个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(kernel_size=3, stride=2),''' 减小卷积窗口，使用填充为2来使得输入与输出的高和宽一致，且增大输出通道数 '''nn.Conv2d(96, 256, kernel_size=5, padding=2), nn.ReLU(),nn.MaxPool2d(kernel_size=3, stride=2),''' 使用三个连续的卷积层和较小的卷积窗口。 '''''' 除了最后的卷积层，输出通道的数量进一步增加。 '''''' 在前两个卷积层之后，汇聚层不用于减少输入的高度和宽度 '''nn.Conv2d(256, 384, kernel_size=3, padding=1), nn.ReLU(),nn.Conv2d(384, 384, kernel_size=3, padding=1), nn.ReLU(),nn.Conv2d(384, 256, kernel_size=3, padding=1), nn.ReLU(),nn.MaxPool2d(kernel_size=3, stride=2),nn.Flatten(),''' 这里，全连接层的输出数量是LeNet中的好几倍。使用dropout层来减轻过拟合 '''nn.Linear(6400, 4096), nn.ReLU(),nn.Dropout(p=0.5),nn.Linear(4096, 4096), nn.ReLU(),nn.Dropout(p=0.5),''' 最后是输出层。由于这里使用Fashion-MNIST，所以用类别数为10，而非论文中的1000 '''nn.Linear(4096, 10))

我们构造一个高度和宽度都为224的单通道数据，来观察每一层输出的形状。它与最开始的图中的AlexNet架构相匹配。

X = torch.randn(1, 1, 224, 224)
for layer in net:X=layer(X)print(layer.__class__.__name__,'output shape:\t',X.shape)

Conv2d output shape:         torch.Size([1, 96, 54, 54])
ReLU output shape:   torch.Size([1, 96, 54, 54])
MaxPool2d output shape:      torch.Size([1, 96, 26, 26])
Conv2d output shape:         torch.Size([1, 256, 26, 26])
ReLU output shape:   torch.Size([1, 256, 26, 26])
MaxPool2d output shape:      torch.Size([1, 256, 12, 12])
Conv2d output shape:         torch.Size([1, 384, 12, 12])
ReLU output shape:   torch.Size([1, 384, 12, 12])
Conv2d output shape:         torch.Size([1, 384, 12, 12])
ReLU output shape:   torch.Size([1, 384, 12, 12])
Conv2d output shape:         torch.Size([1, 256, 12, 12])
ReLU output shape:   torch.Size([1, 256, 12, 12])
MaxPool2d output shape:      torch.Size([1, 256, 5, 5])
Flatten output shape:        torch.Size([1, 6400])
Linear output shape:         torch.Size([1, 4096])
ReLU output shape:   torch.Size([1, 4096])
Dropout output shape:        torch.Size([1, 4096])
Linear output shape:         torch.Size([1, 4096])
ReLU output shape:   torch.Size([1, 4096])
Dropout output shape:        torch.Size([1, 4096])
Linear output shape:         torch.Size([1, 10])

3. 读取数据集

尽管本文中AlexNet是在ImageNet上进行训练的，但我们在这里使用的是Fashion-MNIST数据集。因为即使在现代GPU上，训练ImageNet模型，同时使其收敛可能需要数小时或数天的时间。 将AlexNet直接应用于Fashion-MNIST的一个问题是，Fashion-MNIST图像的分辨率（28×28像素）低于ImageNet图像。 为了解决这个问题，我们将它们增加到224×224（通常来讲这不是一个明智的做法，但我们在这里这样做是为了有效使用AlexNet架构）。我们使用d2l.load_data_fashion_mnist函数中的resize参数执行此调整。

batch_size = 128
train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size, resize=224)

4. 训练AlexNet

现在，我们可以开始训练AlexNet了。与此前的LeNet相比，这里的主要变化是使用更小的学习速率训练，这是因为网络更深更广、图像分辨率更高，训练卷积神经网络就更昂贵

lr, num_epochs = 0.01, 10
d2l.train_ch6(net, train_iter, test_iter, num_epochs, lr, d2l.try_gpu())

5. QA

5.1 alexNet让机器去自己寻找特征，这些找到的特征都符合人类的逻辑嘛？如果不符合要怎么解释?

当然不符合，我们设计之初就是为了让模型朝着损失降低的方向走，所以根本没有加入人为的因素进去，自然根本就不会涉及人类逻辑的地方。

5.2 为什么AlexNet最后要有两个相同的全连接层Dense（4096）？一个不行嘛？

我尝试过，这里其实采用两个全连接层效果会更好，两个非常大的全连接层的组合是个非常大的MLP模型了，可能我们之前的卷积层筛选的特征不够好不够深，需要两个全连接层进行模型的复杂化。

动手学习深度学习（总结梳理）——13. 深度卷积神经网络（AlexNet）相关推荐

神经网络与深度学习 Class 13：卷积神经网络
目录 13.1 深度学习基础 13.2 图像识别与深度学习 13.3 图像卷积 13.4 卷积神经网络 13.1 深度学习基础特征工程:尽可能选择和构建出好的特征,使得机器学习算法能够达到最佳性能 ...
（pytorch-深度学习系列）深度卷积神经网络AlexNet
深度卷积神经网络AlexNet 文字过多,但是重点已经标出来了背景在LeNet提出后的将近20年里,神经网络一度被其他机器学习方法超越,如支持向量机.虽然LeNet可以在早期的小数据集上取得好的成 ...
深度学习与计算机视觉系列(10)_细说卷积神经网络
转载自: 深度学习与计算机视觉系列(10)_细说卷积神经网络 - 龙心尘 - 博客频道 - CSDN.NET http://blog.csdn.net/longxinchen_ml/article/d ...
吴恩达深度学习课程笔记（四）：卷积神经网络2 实例探究
吴恩达深度学习课程笔记(四):卷积神经网络2 实例探究吴恩达深度学习课程笔记(四):卷积神经网络2 实例探究 2.1 为什么要进行实例探究 2.2 经典网络 LeNet-5 AlexNet VGG- ...
深度学习入门（二十四）卷积神经网络——填充和步幅
深度学习入门(二十四)卷积神经网络--填充和步幅前言卷积神经网络--填充和步幅课件填充步幅总结课本 1 填充 2 步幅 3 小结前言核心内容来自博客链接1博客连接2希望大家多多支持作 ...
深度学习入门（三十二）卷积神经网络——BN批量归一化
深度学习入门(三十二)卷积神经网络--BN批量归一化前言批量归一化batch normalization 课件批量归一化批量归一化层批量归一化在做什么? 总结教材 1 训练深层网络 2 批 ...
Pytorch 深度卷积神经网络 AlexNet
Pytorch 深度卷积神经网络 AlexNet 0. 环境介绍环境使用 Kaggle 里免费建立的 Notebook 教程使用李沐老师的动手学深度学习网站和视频讲解小技巧:当遇到函数看不懂 ...
深度学习方法（十）：卷积神经网络结构变化——Maxout Networks，Network In Network，Global Average Pooling
欢迎转载,转载请注明:本文出自Bin的专栏blog.csdn.net/xbinworld. 技术交流QQ群:433250724,欢迎对算法.技术感兴趣的同学加入. 最近接下来几篇博文会回到神经网络结构 ...
智能学习 | MATLAB实现Bee-CNN蜜蜂算法优化卷积神经网络图像分类预测
智能学习 | MATLAB实现Bee-CNN蜜蜂算法优化卷积神经网络图像分类预测目录智能学习 | MATLAB实现Bee-CNN蜜蜂算法优化卷积神经网络图像分类预测分类效果基本介绍模型参数 ...
（pytorch-深度学习系列）使用Pytorch实现小型卷积神经网络网络
卷积层卷积神经网络中每层卷积层(Convolutional layer)由若干卷积单元组成,每个卷积单元的参数都是通过反向传播算法最佳化得到的.卷积运算的目的是提取输入的不同特征,第一层卷积层可能只 ...

动手学习深度学习（总结梳理）——13. 深度卷积神经网络（AlexNet）

1. 模型设计

2. 激活函数

3. 模型

3. 读取数据集

4. 训练AlexNet

5. QA

5.1 alexNet让机器去自己寻找特征，这些找到的特征都符合人类的逻辑嘛？如果不符合要怎么解释?

5.2 为什么AlexNet最后要有两个相同的全连接层Dense（4096）？一个不行嘛？

动手学习深度学习（总结梳理）——13. 深度卷积神经网络（AlexNet）相关推荐

最新文章

热门文章