卷积神经网络之(深度卷积神经网络)AlexNet-蒲公英云

卷积神经网络之(深度卷积神经网络)AlexNet

卷积神经网络之AlexNet

2012年AlexNet横空出世，赢得了ImageNet2012图像识别挑战赛。首次证明了学习到的特征可以超越手工设计的特征。

AlexNet模型

format_png

AlexNet模型使用了8层卷积神经网络，其中有5层卷积和2层全连接层以及1个全连接输出层。

网络结构与具体参数如下：

Block	连接层	Filter大小	步长stride	Filter个数	图像尺寸	计算方法
input	/	/	/	/	2272273	/
1	卷积层	1111	4	96	555596	（227-11）/4+1=55
池化层	33	2	/	272796	（55-3）/2+1=27
2	卷积层	55	1	1282	（27-5+22）/1+1=27	27271282
池化层	33	2	/	（27-3）/2+1=13	13131282
3	卷积层	33	1	1922	（13-3+12）/1+1=13	13131922
4	卷积层	33	1	1922	（13-3+12）/1+1=13	13131922
5	卷积层	33	1	1282	（13-3+12）/1+1=13	13131282
池化层	33	2	/	（13-3）/2+1=6	661282
6	全连接层	6*6	/	256	4096	Relu、Dropout
7	全连接层	/	/	/	4096	/
8	全连接层				1000	SoftMax

代码

from keras.models import Sequential
from keras.layers import Dense, Flatten, Dropout
from keras.layers.convolutional import Conv2D, MaxPooling2D
from keras.utils.np_utils import to_categorical
import numpy as np
seed = 7
np.random.seed(seed)
# 创建模型序列
model = Sequential()
#第一层卷积网络，使用96个卷积核，大小为11x11步长为4， 要求输入的图片为227x227， 3个通道，不加边，激活函数使用relu
model.add(Conv2D(96, (11, 11), strides=(1, 1), input_shape=(28, 28, 1), padding='same', activation='relu',
                 kernel_initializer='uniform'))
# 池化层
model.add(MaxPooling2D(pool_size=(3, 3), strides=(2, 2)))
# 第二层加边使用256个5x5的卷积核，加边，激活函数为relu
model.add(Conv2D(256, (5, 5), strides=(1, 1), padding='same', activation='relu', kernel_initializer='uniform'))
#使用池化层，步长为2
model.add(MaxPooling2D(pool_size=(3, 3), strides=(2, 2)))
# 第三层卷积，大小为3x3的卷积核使用384个
model.add(Conv2D(384, (3, 3), strides=(1, 1), padding='same', activation='relu', kernel_initializer='uniform'))
# 第四层卷积,同第三层
model.add(Conv2D(384, (3, 3), strides=(1, 1), padding='same', activation='relu', kernel_initializer='uniform'))
# 第五层卷积使用的卷积核为256个，其他同上
model.add(Conv2D(256, (3, 3), strides=(1, 1), padding='same', activation='relu', kernel_initializer='uniform'))
model.add(MaxPooling2D(pool_size=(3, 3), strides=(2, 2)))
model.add(Flatten())
model.add(Dense(4096, activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(4096, activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(10, activation='softmax'))
model.compile(loss='categorical_crossentropy', optimizer='sgd', metrics=['accuracy'])
model.summary()