#本文意为总结自己学习的网络模型，以留作笔记使用,如有错误，欢迎在下方评论

一、简介

AlexNet可以说是现代深度CNN的奠基之作,它可以算是LeNet5的一种更深更宽的版本。

二、网络结构

AlexNet网络的输入尺寸为224*224*3,不计算输入层,池化层和LRN层，共有8层（5conv+3fc）

三、网络结构详解
（[1conv+1LRN+1MP]*2 + 2conv + [1conv+1MP]*1 + 2Fc + 1output  )

输入图像规格为224*224*3,实际上会经过预处理变为227*227*3

网络特点：
(1)数据增强(平移、仿射、光照颜色变换)，随机地从256*256的原始图像中截取224*224大小的区域（以及水平翻转的镜像）
(2)将AlexNet分布在两个GPU上，在每个GPU的显存中储存一半的神经元的参数
(3)RELU**函数，ReLU(Wx+b) = max(Wx+b,0)
(4)AlexNet全部使用最大池化，避免平均池化的模糊化效果。
(5)标准化[LRN]: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
(6)【Dropout】AlexNet在后面的三个全连接层中使用Dropout，随机忽略一部分神经元，以避免模型过拟合

四、使用注意

论文中指出,如果去掉任何一个卷积层,都会使网络的分类性能大幅下降

参考:
  卷积神经网络常见架构AlexNet、ZFNet、VGGNet、GoogleNet和ResNet模型
【深度学习】AlexNet原理解析及TensorFlow实现