【摘要】：ImageNet LSVRC是一个图片分类的比赛，其训练集包括127万多张图片，验证集有5万张图片，测试集有15万张图片。值得一提的是，在2016年的ImageNet LSVRC比赛中，取得冠军的GoogNet已经达到了top-5错误率6.67%。图3.6即为Alex的CNN结构图。图3.6 Alex的CNN结构图模型的基本参数如下：输入层：224×224大小的图片，3通道。第五层卷积：3×3的卷积核256个，两个GPU上各128个。第五层Max-pooling：2×2的核。全连接层：4096维，将第五层Max-pooling的输出连接成一个一维向量，作为该层的输入。
ImageNet LSVRC是一个图片分类的比赛，其训练集包括127万多张图片，验证集有5万张图片，测试集有15万张图片。本节截取2010年Alex Krizhevsky的CNN结构进行说明，该结构在2010年取得冠军，top-5错误率为15.3%。值得一提的是，在2016年的ImageNet LSVRC比赛中，取得冠军的GoogNet已经达到了top-5错误率6.67%。可见，深度学习的提升空间还很巨大。
图3.6即为Alex的CNN结构图。需要注意的是，该模型采用了2个GPU并行结构，即5个卷积层都是将模型参数分为2部分进行训练的。
图3.6 Alex的CNN结构图
模型的基本参数如下：
输入层：224×224大小的图片，3通道。
第一层卷积：5×5大小的卷积核96个，每个GPU上48个。
第一层Max-pooling：2×2的核。
第二层卷积：3×3卷积核256个，每个GPU上128个。(www.xing528.com)
第二层Max-pooling：2×2的核。
第三层卷积：与上一层是全连接，3×3的卷积核384个。分到两个GPU上各192个。
第四层卷积：3×3的卷积核384个，两个GPU各192个。该层与上一层连接没有经过pooling层。
第五层卷积：3×3的卷积核256个，两个GPU上各128个。
第五层Max-pooling：2×2的核。
全连接层：4096维，将第五层Max-pooling的输出连接成一个一维向量，作为该层的输入。
全连接层：4096维。
输出层（Softmax层）：1000维，每一维是图片属于该类别的概率。
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
