[0002] 从1965年开始，人们开始研究图像处理和识别。随着科技进步，深度学习成为了图像分类的主流方法。AlexNet模型就是一种基于深度学习的图像分类模型。
[0003] AlexNet是2012年ImageNet竞赛冠军获得者Alex Krizhevsky设计的，它主要包括5个卷积层，3个全连接层。
[0004] AlexNet在输入时对224*224*3的图像进行预处理，将其处理为227*227*3的图像。
[0005] 第一个卷积层中，AlexNet采用96个11*11*3的卷积核，在步长为4的前提下对227*227*3的图像进行了滤波。最初的输入神经元个数为224*224*3＝150528个，由于其步长为
4，卷积核大小为11*11*3，故而本层的特征图的大小为：
[0006] (227‑11)/4+1＝55
[0007] 也就是96个55*55大小的特征图，其神经元个数为55*55*96＝290400。得到卷积数据后，对其进行一次Relu，并对其进行池化(map大小减半)，之后将其作为第二层的输入。
[0008] 第二个卷积层中，AlexNet采用256个5*5的过滤器对96*27*27个特征图进行进一步特征提取，但是此时过滤器是对96个特征图中的某几个特征图中相应的区域乘以相应的权重，之后再加上偏置之后所得到的区域进行卷积，经过这样的处理，会得到256个新的特征图，特征图的大小为：
[0009] (27+2*2‑5)/1+1＝27
[0010] 也就是256个27*27大小的特征图，其神经元个数为
[0011] 256*27*27＝186624。之后对其进行Relu操作，在对其进行降采样处理(特征图的大小减半)，得到256个13*13大小的特征图。
[0012] 第三个卷积层中，AlexNet采用384个3*3大小的过滤器对256*13*13个特征图进一步提取特征，经过处理，会得到384个新的特征图，特征图的大小为：
[0013] (13+2*1‑3)/1+1＝13
[0014] 即384个13*13的新特征图，其神经元个数为384*13*13＝64896。之后对其进行Relu操作，在第三个卷积层中，不对其使用降采样处理。
[0015] 第四个卷积层中，AlexNet采用384个3*3大小的过滤器对384*13*13个特征图进一步提取特征，经过处理，会得到384个新的特征图，特征图的大小为：
[0016] (13+2*1‑3)/1+1＝13
[0017] 即384个13*13的新特征图，其神经元个数为384*13*13＝64896。之后对其进行Relu操作，在第四个卷积层中，同样不对其进行降采样处理。
[0018] 第五个卷积层中，AlexNet采用256个3*3大小的过滤器对384*13*13个特征图进一步提取特征，经过处理，会得到256个新的特征图，特征图的大小为：
[0019] (13+2*1‑3)/1+1＝13
[0020] 即256个13*13的新特征图，其神经元个数为256*13*13＝43264。之后对其进行Relu操作，并对其进行降采样处理(特征图的大小减半)，得到256个6*6大小的特征图。
[0021] 第一个全链接层中，AlexNet网络在这里使用4096个神经元，对于神经元中的一个点，它是由256个特征图中的某些特征图卷积所得到的特征点乘以相应的权重，再加上一个偏置得到的。之后进行一个dropout随机从4096个节点中丢掉一些节点信息，得到新的4096个神经元。
[0022] 第二个全链接层中，方法与第一个全链接层相似。
[0023] 第三个全链接层中，采用的是1000个神经元(竞赛中是1000个类)，在此过程中是对第二个全链接层中的4096个神经元进行全链接，之后通过高斯过滤器，得到1000个float的值，也就是最终的预测可能性。
[0024] 根据以上原理，可以根据以下步骤对图片进行预测：
[0025] 1.数据准备:准备好训练集，测试集和验证集。
[0026] 2.图片预处理:图片大小归一化→生成caffe所支持的数据库→生成均值文件；
[0027] 3.模型训练；
[0028] 4.模型测试
