Alexnet网络结构, 相比于LeNet,Alexnet加入了激活层Relu, 以及dropout层
第一层网络结构: 11x11x3x96, 步长为4, padding=2
第二层网络结构: 5x5x96x256, 步长为1, padding=1
第三层网络结构: 3x3x256x384,步长为1, padding=1
第四层网络结构: 3x3x256x384,步长为1,padding=1
第五层网络结构: 3x3x384x384, 步长为1,padding=1
第六层网络结构: 3x3x384x256, 步长为1, padding=1
第七层网络结构: 进行维度变化, 进行dropout操作, 进行(256*6*6, 4096)全连接操作
第八层:进行dropout操作,进行全连接操作(4096, 4096)
第九层: 输出层的操作, 进行全连接(4096, num_classes)
from torch import nn class AlexNet(nn.Module): def __init__(self, num_classes): super(AlexNet, self).__init__() self.feature = nn.Sequential( nn.Conv2d(3, 96, kernel_size=11, stride=4, padding=2), nn.ReLU(inplace=True), nn.MaxPool2d(kernel_size=3, stride=2), nn.Conv2d(96, 256, kernel_size=5, padding=2), nn.ReLU(inplace=True), nn.MaxPool2d(kernel_size=3, stride=2), nn.Conv2d(256, 384, kernel_size=3, padding=1), nn.ReLU(inplace=True), nn.Conv2d(384, 384, kernel_size=3, padding=1), nn.ReLU(inplace=True), nn.Conv2d(384, 256, kernel_size=3, padding=1), nn.ReLU(inplace=True), nn.MaxPool2d(kernel_size=3, stride=2),) self.classifier = nn.Sequential( nn.Dropout(), nn.Linear(256 * 6 * 6, 4096), nn.ReLU(inplace=True), nn.Dropout(), nn.Linear(4096, 4096), nn.ReLU(inplace=True), nn.Linear(4096, num_classes), ) def forward(self, x): x = self.feature(x) x = self.classifier(x) return x