学习深度学习后接触的第一个复杂的神经网络就是AlexNet，刚开始看到它时还是比较晕菜的，因为是自学，感觉看过去就算了，但自己又有种钻牛角尖的精神，回过头来一遍一遍地分析AlexNet，推算每一步的由来，经过多方资料的整合和验算，终于得出了自己较为满意的理解。
首先，看一下整体的网络结构图：
图中可以看出，整个过程共分为8层，而每一个步骤又不尽相同，共分为5个卷积层，3个全连接层（注：全连接层后不能再加卷积层和池化层）。其中，在第1，2，5层使用了Max pooling，且1，2层还使用了LRN操作；第6，7，8层使用了dense操作，且6，7层使用了dropout全连接操作。接下来，简单介绍下AlexNet网络中存在的一些知识点。
•Relu激活函数：AlexNet首次使用了Relu激活函数，表达式为max(0,x)，即x为负数时，结果为0。
•2-GPU并行结构：该网络使用了两个GPU，使运算速度能够得到有效提升。
•Max pooling：池化层有最大值池化、平均值池化，这里使用的是最大池化层，用来减少计算量，一定程度解决平移鲁棒。
•dropout全连接层：将某一层50%的神经元的随机置为0，为了降低过拟合。
•LRN：局部响应归一化分为通道间归一化和通道内归一化，这里使用通道间归一化。
接下来就是对AlexNet进行拆解分析了。
第1层
第一层输入为227*227*3大小的图片（多方证实227为正确的输入尺寸大小，且便于后续计算），使用96个11*11*3的卷积核进行卷积后得到55*55*96个像素层（注55的由来：（227-11）/4+1=55），由于系统使用了双GPU，因此分为两组55*55*48的像素层。由于第二层的输入尺寸为27*27*128，因此这里的max pooling池化层使用了规模为3*3，步长为2进行处理，池化后的像素层即在每一个GPU上生成了27*27*48的像素层（注27的由来：（55-3）/2+1=27）。最后，在5个通道数的相邻通道间进行LRN局部归一化处理，最终得到两组27*27*48的像素层。
第一层的参数共为11*11*3*96+96=34944个。
第二层
第二层中，在每一个GPU上输入的尺寸为27*27*48，使用128个5*5*48的卷积核进行卷积操作，得出27*27*128的像素层（注27的由来：（27-5+2*2）/1+1=27，其中2*2为padding操作，其实主要是为了便于后续计算方便，有种“拼凑”的感觉）。由于第三层的输入尺寸为13*13*192，因此max pooling池化层使用了规模为3*3，步长为2进行处理，池化后的像素层即在每一个GPU上生成了13*13*128的像素层（注6的由来：（27-3）/2+1=13）。最后，在5个通道数的相邻通道间进行LRN局部归一化处理，最终得到两组13*13*128的像素层。
第二层的参数共为（5*5*48*128+128）*2=307456个。
第三层
第三层中，由图中可以看到虚线的指向和前面不同，这里可以理解为将两个GPU的像素层合并后进行卷积，之后再重新分为两组，这样有利于样本的随机性。因此结合两组GPU输入的尺寸为13*13*256，使用384个3*3*256的卷积核进行卷积操作，得出13*13*384的像素层（注13的由来：（13-3+2*1）/1+1=13，其中2*1为padding操作，这里仍然是为了便于后续计算方便，有种“拼凑”的感觉）。第三层只是简单的卷积操作，因此最终得到两组13*13*192的像素层。
第三层的参数共为3*3*256*384+384=885120个。
第四层
第四层更为简单，在每一个GPU上输入的尺寸为13*13*192，使用192个3*3*192的卷积核进行卷积，最终得到两组13*13*192的像素层（注13的由来：（13-3+2*1）/1+1=13，原因同上）。
第四层的参数共为（3*3*192*192+192）*2=663936个。
第五层
第五层中，在每一个GPU上的输入尺寸为13*13*192，使用128个3*3*192的卷积核进行卷积后得到13*13*128的像素层（注13的由来：（13-3+2*1）/1+1=13，原因同上）。然后同样使用规模为3*3，步长为2的max pooling池化层，池化后的像素层即在每一个GPU上生成了6*6*128的像素层（注6的由来：（13-3）/2+1=6）。最终得到两组6*6*128的像素层。
第五层的参数共为（3*3*192*128+128）*2=442624个。
第六层
第六层由图中可见，这里同样将两个GPU的像素层合并后进行全连接，之后再重新分为两组，因此结合两组GPU输入的尺寸为6*6*256，由于这里是dropout全连接层，因此使用了4096个神经元进行输出，且该过程中了使用Relu激活函数，降低了过拟合，提高了计算速度和准确度。最终得到4096个输出。
第六层的参数共为6*6*256*4096+4096=37752832个。
第七层
第七层同第六层类似，即将两个GPU的像素层合并后进行全连接，之后再重新分为两组，同样这里是dropout全连接层，使用了4096个神经元进行输出，且该过程中了使用Relu激活函数，降低了过拟合，提高了计算速度和准确度。最终得到4096个输出。
第七层的参数共为1*1*4096*4096+4096=16781312个。
第八层
终于到达最后一层了。在第八层中，对4096个输入使用1000个神经元进行全连接输出，最终得到1000个输出。
第八层的参数共为1*1*4096*1000+1000=4097000个。
总结：AlexNet神经网络共经历了8层包括卷积、池化、全连接操作，总参数有60965224个，其中参数量多在全连接层。我对AlexNet神经网络的研究在深度学习领域只是一个开始，研究生期间一直在研究聚类算法，结合过简单的如Hopfield等神经网络并取得了一定的效果，毕业后进入工作，业余时间用来自学深度学习，发现自己对人工智能方面的认识只是九牛一毛，很快被其强大及神秘深深地吸引。第一次在简书上写文章，有不足之处还望大家多多包涵，指出问题共同探讨。
