经典卷积神经网络-凯发k8官方网

alexnet由geoffrey和他的学生alex提出，并在2012年的ilsvrc竞赛中获得了第一名。alexnet共有8层结构，前5层为卷积层，后三层为全连接层。

alexnet网络结构具有如下特点：

1.alexnet在激活函数上选取了非线性非饱和的relu函数，在训练阶段梯度衰减快慢方面，relu函数比传统神经网络所选取的非线性饱和函数（如sigmoid函数，tanh函数）要快许多。

2.alexnet在双gpu上运行，每个gpu负责一半网络的运算

3.采用局部响应归一化（lrn）。对于非饱和函数relu来说，不需要对其输入进行标准化，但alex等人发现，在relu层加入lrn，可形成某种形式的横向抑制，从而提高网络的泛华能力。

4.池化方式采用overlapping pooling。即池化窗口的大小大于步长，使得每次池化都有重叠的部分。（ps:这种重叠的池化方式比传统无重叠的池化方式有着更好的效果，且可以避免过拟合现象的发生）

第一个卷积层

    输入的图片大小为:224*224*3，为后续处理方便，普遍改为227*227*3

    第一个卷积层为:11*11*3即卷积核尺寸为11*11,有96个卷积核,步长为4,卷积层后跟relu,因此输出的尺寸为 （227-11）/4 1=55,因此其输出的每个特征图 为 55*55*96,同时后面经过lrn层处理,尺寸不变.

    最大池化层,池化核大小为3*3,步长为2,输出的尺寸为 （55-3）/2 1=27，因此特征图的大小为:27*27*96。由于双gpu处理，故每组数据有27*27*48个特征图，共两组数据，分别在两个gpu中进行运算

第二层卷积层

    每组输入的数据为27*27*48，共两组数据

    每组数据都被128个卷积核大小为: 5*5*48进行卷积运算,步长为1,尺寸不会改变,同样紧跟relu,和lrn层进行处理.

    最大池化层,核大小为3*3,步长为2,因此输出两组特征图:13*13*128

第三层至第五层卷积层

    输入的数据为13*13*128，共两组

    第三层每组数据都被尺寸为 3*3*192的卷积核进行卷积运算,步长为1,加上relu，得到两组13*13*192的像素层

    第四层经过padding=1填充后，每组数据都被尺寸大小为 3*3*192的卷积核卷积运算,步长为1,加上relu，输出两组13*13*192的像素层

    第五层经过padding=1填充后，每组数据都被尺寸大小为 3*3*128的卷积核进行卷积运算,步长为1,加上relu，输出两组13*13*128的像素层

   经过3*3池化窗口，步长为2，池化后输出两组6*6*256的像素层

第六层至第八层全连接层

接下来的三层为全连接层,分别为:
6层. 4096 个神经元 relu
7层. 4096个神经元 relu
8层. 1000 个神经元，最后一层为softmax为1000类的概率值.

该代码是用搭建好的alexnet网络来实现mnist手写体数字的识别（采用keras框架）

from keras.datasets import mnist from matplotlib import pyplot as plt from keras.utils import np_utils from keras.layers import dense,dropout,flatten,conv2d,maxpool2d,batchnormalization from keras.models import sequential from matplotlib import pyplot as plt(x_train,y_train),(x_test,y_test)=mnist.load_data() x_test1=x_test y_test1=y_test #处理图像特征 x_train=x_train.reshape(-1,28,28,1).astype("float32")/255.0 x_test=x_test.reshape(-1,28,28,1).astype("float32")/255.0 #处理标签 y_train=np_utils.to_categorical(y_train,10) y_test=np_utils.to_categorical(y_test,10) #print(x_train) #print("-----------") #print(y_train)#搭建alexnet网络模型 #建立第一层卷积 model=sequential() model.add(conv2d(filters=96,kernel_size=(11,11),strides=4,padding="same",input_shape=(28,28,1),activation="relu" ))#搭建bn层 model.add(batchnormalization()) #搭建第一层重叠最大池化层 model.add(maxpool2d(pool_size=(3,3),strides=2,padding="same" ))#建立第二层卷积 model.add(conv2d(filters=256,kernel_size=(5,5),strides=1,padding="same",activation="relu" )) #搭建bn层 model.add(batchnormalization()) #搭建第二层池化层 model.add(maxpool2d(pool_size=(3,3),strides=2,padding="same", ))#搭建第三层卷积 model.add(conv2d(filters=384,kernel_size=(3,3),strides=1,padding="same",activation="relu", ))#搭建第四层卷积 model.add(conv2d(filters=384,kernel_size=(3,3),strides=1,padding="same",activation="relu" ))#搭建第五卷积层 model.add(conv2d(filters=256,kernel_size=(3,3),strides=1,padding='same',activation="relu" )) model.add(maxpool2d(pool_size=(3,3),strides=2,padding="same" ))#搭建第六层：全连接层 #在搭建全连接层之前，必须使用flatten()降维 model.add(flatten()) #全连接层 model.add(dense(4096,activation="relu")) model.add(dropout(0.5)) #搭建第七层：全连接层 model.add(dense(2048,activation="relu")) model.add(dropout(0.5)) #搭建第八层：全连接层即输出层 model.add(dense(10,activation="softmax")) model.summary()#编译 model.compile(loss="categorical_crossentropy",optimizer="sgd",metrics=["accuracy"] )#训练 n_epoch=10 n_batch=128 training = model.fit(x_train,y_train,epochs=n_epoch,batch_size=n_batch,verbose=1,validation_split=0.20 )#画出准确率随着epoch的变化图 def show_train(tr,train,validation):plt.plot(training.history[train],linestyle="-",color="b")plt.plot(training.history[validation],linestyle="--",color="r")plt.title("trianing_history")plt.xlabel("epoch")plt.ylabel("accuracy")plt.legend(["train","validation"],loc="lower right")plt.show() show_train(training,"accuracy","val_accuracy") #画出误差随着epoch的变化图 def show_train(tr,train,validation):plt.plot(training.history[train],linestyle="-",color="b")plt.plot(training.history[validation],linestyle="--",color="r")plt.title("trianing_history")plt.xlabel("epoch")plt.ylabel("accuracy")plt.legend(["train","validation"],loc="upper right")plt.show() show_train(training,"loss","val_loss")#评估 test=model.evaluate(x_train,y_train,verbose=1) print("误差：",test[0]) print("准确率：",test[1])#预测 def image_show(image): #画图fig=plt.gcf()fig.set_size_inches(2,2)plt.imshow(image,cmap="binary")plt.show() prediction=model.predict_classes(x_test) def pre_result(i):image_show(x_test1[i])print("y-test:",y_test1[i])print("预测值：",prediction[i]) pre_result(0) pre_result(1)

 

总结

以上是凯发k8官方网为你收集整理的经典卷积神经网络--alexnet的详解的全部内容，希望文章能够帮你解决所遇到的问题。

如果觉得凯发k8官方网网站内容还不错，欢迎将凯发k8官方网推荐给好友。