关键词：
本专栏用于记录关于深度学习的笔记，不光方便自己复习与查阅，同时也希望能给您解决一些关于深度学习的相关问题，并提供一些微不足道的人工神经网络模型设计思路。
专栏地址：「深度学习一遍过」必修篇
目录
2.1 通过 torchvision.models 导入 AlexNet
1 AlexNet 模型解读
1.1 AlexNet 模型特点
论文的特点如下：
- 更深的网络结构
- 使用层叠的卷积层，即卷积层
卷积层池化层来提取图像的特征 - 使用
抑制过拟合 - 使用数据增强
抑制过拟合 - 使用
替换之前的 
的作为激活函数 - 使用多
进行训练
1.2 AlexNet 模型结构
网络结构如下：
1.2.1 卷积层1
输入图像大小：
- 卷积核大小：
- 数量：
个 - 步长：
- 激活函数：
- 两台 同时训练，即共
个核
输出特征图大小：
，即 
池化：
，
- 输出特征图大小：
，即 
标准化
1.2.2 卷积层2
输入图像大小：
- 卷积核大小：
- 数量：
个 - 步长：
- 激活函数：
- 输出特征图像先扩展
个像素，即大小 
输出特征图大小：
，即
池化： ，
- 输出特征图大小：
，即
标准化
1.2.3 卷积层3
输入图像大小：
- 卷积核大小：
- 数量：
个
- 步长：
- 激活函数：
- 输出特征图像先扩展 个像素，即大小
输出特征图大小：
，即
1.2.4 卷积层4
输入图像大小：
- 卷积核大小：
- 数量：
- 步长：
- 激活函数：
- 输出特征图像先扩展 个像素，即大小
输出特征图大小：，即
1.2.5 卷积层5
输入图像大小：
- 卷积核大小：
- 数量： 个
- 步长：
- 激活函数：
- 输出特征图像先扩展 个像素，即大小
输出特征图大小：，即
池化： ，
- 输出特征图大小：
，即 
1.2.6 全连接6
- 输入图像大小：
- 共
个神经元
- 输出
个向量
1.2.7 全连接7
- 输入图像大小：
- 共
- 输出
1.2.8 全连接8
- 输入图像大小：
- 共
个神经元
- 输出
个向量
2 代码解读
2.1 通过 torchvision.models 导入 AlexNet
from torchvision.models import AlexNet2.2 Ctrl + 鼠标左键进入 AlexNet 源码
class AlexNet(nn.Module):
def __init__(self, num_classes: int = 1000) -> None:
super(AlexNet, self).__init__()
self.features = nn.Sequential(
nn.Conv2d(3, 64, kernel_size=11, stride=4, padding=2),
nn.ReLU(inplace=True),
nn.MaxPool2d(kernel_size=3, stride=2),
nn.Conv2d(64, 192, kernel_size=5, padding=2),
nn.ReLU(inplace=True),
nn.MaxPool2d(kernel_size=3, stride=2),
nn.Conv2d(192, 384, kernel_size=3, padding=1),
nn.ReLU(inplace=True),
nn.Conv2d(384, 256, kernel_size=3, padding=1),
nn.ReLU(inplace=True),
nn.Conv2d(256, 256, kernel_size=3, padding=1),
nn.ReLU(inplace=True),
nn.MaxPool2d(kernel_size=3, stride=2),
)
self.avgpool = nn.AdaptiveAvgPool2d((6, 6))
self.classifier = nn.Sequential(
nn.Dropout(),
nn.Linear(256 * 6 * 6, 4096),
nn.ReLU(inplace=True),
nn.Dropout(),
nn.Linear(4096, 4096),
nn.ReLU(inplace=True),
nn.Linear(4096, num_classes),
)
def forward(self, x: torch.Tensor) -> torch.Tensor:
x = self.features(x)
x = self.avgpool(x)
x = torch.flatten(x, 1)
x = self.classifier(x)
return x卷积层 1
卷积层2
卷积层3、卷积层4、卷积层5
全连接层6、全连接层7、全连接层8
欢迎大家交流评论，一起学习
希望本文能帮助您解决您在这方面遇到的问题
感谢阅读
END
「深度学习一遍过」必修2：解读简化版模型代码(代码片段)
...于深度学习的相关问题，并提供一些微不足道的人工神经网络模型设计思路。专栏地址：「深度学习一遍过」必修篇目录1总观整体代码2代码细致解读2.1训练2.1.1导入库2.1.2加载数据集2.1.3定义数据加载器 2.1.4创建模型 ... 查看详情
「深度学习一遍过」必修14：基于pytorch研究深度可分离卷积与正常卷积的性能差异(代码片段)
...于深度学习的相关问题，并提供一些微不足道的人工神经网络模型设计思路。专栏地址：「深度学习一遍过」必修篇 目录1正常卷积2深度可分离卷积 3性能比较1正常卷积以某二分类问题为例核心代码 classsimpleconv3(nn.M... 查看详情
「深度学习一遍过」必修26：机器学习与深度学习基础知识汇总
...于深度学习的相关问题，并提供一些微不足道的人工神经网络模型设计思路。专栏地址：「深度学习一遍过」必修篇 目录1Boosting与Bagging2卷积层、激活层、池化层作用3卷积神经网络特性4正则化相关知识5评测指标相关知... 查看详情
「深度学习一遍过」必修26：机器学习与深度学习基础知识汇总
...于深度学习的相关问题，并提供一些微不足道的人工神经网络模型设计思路。专栏地址：「深度学习一遍过」必修篇 目录1Boosting与Bagging2卷积层、激活层、池化层作用3卷积神经网络特性4正则化相关知识5评测指标相关知... 查看详情
「深度学习一遍过」必修18：基于pytorch的语义分割模型实现(代码片段)
...于深度学习的相关问题，并提供一些微不足道的人工神经网络模型设计思路。专栏地址：「深度学习一遍过」必修篇 目录1自定义5层普通卷积 2实现Unet模型结构 3在Unet网络模型基础上实现膨胀卷积 1自定义5层普通卷积... 查看详情
「深度学习一遍过」必修26：机器学习与深度学习基础知识汇总
...于深度学习的相关问题，并提供一些微不足道的人工神经网络模型设计思路。专栏地址：「深度学习一遍过」必修篇 目录1Boosting与Bagging2卷积层、激活层、池化层作用3卷积神经网络特性4正则化相关知识5评测指标相关知... 查看详情
「深度学习一遍过」必修13：使用pytorch对inception结构模型进行设计(代码片段)
...于深度学习的相关问题，并提供一些微不足道的人工神经网络模型设计思路。专栏地址：「深度学习一遍过」必修篇 目录1基准模型2替换第2个卷积为Inception结构（conv2）3替换第3个卷积为Inception结构（c 查看详情
「深度学习一遍过」必修10：pytorch框架的使用(代码片段)
...于深度学习的相关问题，并提供一些微不足道的人工神经网络模型设计思路。专栏地址：「深度学习一遍过」必修篇目录1 Tensor生成2 Tensor基本操作形状查看形状更改增加维度压缩维度3 Tensor其他操作4 Pytorch网络定义与... 查看详情
「深度学习一遍过」必修15：pytorch模型分析(代码片段)
...于深度学习的相关问题，并提供一些微不足道的人工神经网络模型设计思路。专栏地址：「深度学习一遍过」必修篇 目录1Pytorch模型结构分析1.1工具1：pytorch-summary1.2 工具2：Netron1.3工具3 查看详情
「深度学习一遍过」必修25：基于dcgan的imageproduction(代码片段)
...于深度学习的相关问题，并提供一些微不足道的人工神经网络模型设计思路。专栏地址：「深度学习一遍过」必修篇 目录项目GitHub地址项目心得项目代码 项目GitHub地址Classic_model_examples/2016_DCGAN_ImageProduc 查看详情
「深度学习一遍过」必修24：基于unet的semanticsegmentation(代码片段)
...于深度学习的相关问题，并提供一些微不足道的人工神经网络模型设计思路。专栏地址：「深度学习一遍过」必修篇 目录项目GitHub地址项目心得项目代码 项目GitHub地址Classic_model_examples/2015_UNet_SemanticSegmen 查看详情
「深度学习一遍过」必修16：tensorboard与transforms(代码片段)
...于深度学习的相关问题，并提供一些微不足道的人工神经网络模型设计思路。专栏地址：「深度学习一遍过」必修篇 目录1 Tensorboard1.1初始化 1.2使用实例1.2.1画一条直线1.2.2查看一张图片1.2.3滑动查看多张图片2Transfo... 查看详情
「深度学习一遍过」必修6：利用迁移学习快速提升模型性能(代码片段)
...于深度学习的相关问题，并提供一些微不足道的人工神经网络模型设计思路。专栏地址：「深度学习一遍过」必修篇目录1迁移学习如何提升模型性能2代码详解（以resnet18与训练模型为例）2.1加载ResNet182.2修改模型... 查看详情
「深度学习一遍过」必修7：模型训练验证与可视化(代码片段)
...于深度学习的相关问题，并提供一些微不足道的人工神经网络模型设计思路。专栏地址：「深度学习一遍过」必修篇目录1CreateDataset1.1生成训练集和测试集1.2生成验证集2模型训练 2.1 都进行微调2.2只微调最后2.3从头开始... 查看详情
「深度学习一遍过」必修17：基于pytorch细粒度分类实战(代码片段)
...于深度学习的相关问题，并提供一些微不足道的人工神经网络模型设计思路。专栏地址：「深度学习一遍过」必修篇 目录1实战内容简介2数据集读取2.1dataset2.2dataloader3模型搭建3.1基准模型3.2与基准模型相对应的双线性模... 查看详情
「深度学习一遍过」必修20：基于alexnet的mnist手写数字识别(代码片段)
...于深度学习的相关问题，并提供一些微不足道的人工神经网络模型设计思路。专栏地址：「深度学习一遍过」必修篇 目录项目GitHub地址项目心得项目代码 项目GitHub地址Classic_model_examples/2012_AlexNet_MNISTatmain 查看详情
「深度学习一遍过」必修22：基于googlenet的mnist手写数字识别(代码片段)
...于深度学习的相关问题，并提供一些微不足道的人工神经网络模型设计思路。专栏地址：「深度学习一遍过」必修篇 目录项目GitHub地址项目心得项目代码 项目GitHub地址Classic_model_examples/2014_GoogLeNet_MNISTatma 查看详情
「深度学习一遍过」必修22：基于googlenet的mnist手写数字识别(代码片段)
...于深度学习的相关问题，并提供一些微不足道的人工神经网络模型设计思路。专栏地址：「深度学习一遍过」必修篇 目录项目GitHub地址项目心得项目代码 项目GitHub地址Classic_model_examples/2014_GoogLeNet_MNISTatma 查看详情