AlexNet 论文
《ImageNet Classification with Deep Convolutional Neural Networks》
AlexNet网络结构描述
Conv1 :输入,卷积核大小为,移动步长为,数量为个,输出;
Relu1:输出;
Pool1:池化核大小为,移动步长为,输出;
Norm1:local_size =$ 5$,输出;
Conv2:输入,卷积核大小为,移动步长为,数量为,输出;
Relu2:输出;
Pool2:池化核大小为,移动步长为,输出;
Conv3:输入,输出;
Conv4:输入,输出;
Conv5:输入,输出;
Fc6:个神经元,输出为;
Fc7:输出;
Fc8:输出;
AlexNet特点
- 成功使用ReLU作为CNN的激活函数,解决了Sigmoid在网络较深时的梯度弥散问题。
- 训练时使用Dropout随机忽略一部分神经元,以避免模型过拟合。在AlexNet中主要是最后几个全连接层使用了Dropout。
- 在CNN中使用重叠的最大池化(OverlappingPooling)。此前CNN中普遍使用平均池化,AlexNet全部使用最大池化,避免平均池化的模糊化效果。并且AlexNet中提出让步长比池化核的尺寸小,这样池化层的输出之间会有重叠和覆盖,提升了特征的丰富性。
- 提出了LRN(Local ResponseNormalization)层,对局部神经元的活动创建竞争机制,使得其中响应比较大的值变得相对更大,并抑制其他反馈较小的神经元,增强了模型的泛化能力。