《深入浅出图神经网络》阅读笔记-第3章 卷积神经网络（2）- AlexNet讲解

参考《深入浅出图神经网络》。

AlexNet由5个卷积层、2个池化层、3个全连接层组成。受当时硬件条件的影响，单个GPU无法运行这么大规模的模型，所以分为了两部分。在《深入浅出图神经网络》的介绍中，将两部分合为了一部分介绍。

输入：224*224*3大小的图像

第一层：卷积层，卷积核大小11*11，输出96个特征图，输入为3个通道，所以卷积核的维度。步长为4，填充padding = 2。因此输出特征图为, 其中，

第二层：池化层，最大池化，大小3*3， 步长2， 输出大小为：(55-3)/2 + 1 = 27,池化层输出为。

第三层：卷积层，卷积核大小为5*5，输出为256个特征图，因此卷积核维度5*5*96*256，步长为1，填充2，输出特征图的维度：, 其中，

卷积后使用ReLU函数。

第四层：最大池化层，大小3*3，步长3

第五到七层：卷积层，卷积核大小3*3，输出的特征图分别为：384、384、256，步长1，填充1，卷积后都使用ReLU激活函数。

第八层：池化层。窗口大小3*3，步长2，输出未6*6*256

最后三层：全连接层，将卷积操作的输出展平，得到全连接层的输入9216，三层神经元个数分别为：4.96、4096、1000，最后得到1000为的输出。

以上是《深入浅出图神经网络》的内容，在此其实我有很大的疑问：

如何确定的神经网络结构？几层卷积、几层全连接层如何确定？如何确定卷积核大小，和卷积步长，如何确定是使用最大池化还是别的池化。

这些疑问我将进一步学习，并发布新的博客。