深度学习网络的结构---AlexNet

AlexNet是一个经典的深度学习模型，是2012年ImageNet大规模视觉识别竞赛（ImageNet Large Scale Visual Recognition Challenge，ILSVRC）的冠军模型。它是一个基于卷积神经网络（CNN）的模型，其结构如下：

- 输入层：输入图像的尺寸是227x227x3。
- 卷积层1：96个11x11的卷积核，步长为4，使用ReLU激活函数，其中的卷积操作会使得输出大小为55x55x96。
- 池化层1：使用max-pooling，核大小为3x3，步长为2。这会把输出的尺寸缩小一半，变成27x27x96。
- 卷积层2：256个5x5的卷积核，步长为1，使用ReLU激活函数，这会输出一个尺寸为27x27x256的特征图。
- 池化层2：使用max-pooling，核大小为3x3，步长为2。这会将输出的尺寸缩小一半，变成13x13x256。
- 卷积层3：384个3x3的卷积核，步长为1，使用ReLU激活函数，这会输出一个尺寸为13x13x384的特征图。
- 卷积层4：384个3x3的卷积核，步长为1，使用ReLU激活函数，这会输出一个尺寸为13x13x384的特征图。
- 卷积层5：256个3x3的卷积核，步长为1，使用ReLU激活函数，这会输出一个尺寸为13x13x256的特征图。
- 池化层3：使用max-pooling，核大小为3x3，步长为2，这会将输出的尺寸缩小一半，变成6x6x256。
- 全连接层1：4096个神经元，使用ReLU激活函数。
- 全连接层2：4096个神经元，使用ReLU激活函数。
- 输出层：使用一个1000个神经元的softmax分类器来对图像进行分类。

整个AlexNet模型有62 million个参数。