在imagenet上的图像分类challenge上Alex提出的alexnet网络结构模型赢得了2012届的冠军。要研究CNN类型DL网络模型在图像分类上的应用，就逃不开研究alexnet，这是CNN在图像分类上的经典模型（DL火起来之后）。

在DL开源实现caffe的model样例中，它也给出了alexnet的复现，具体网络配置文件如下https://github.com/BVLC/caffe/blob/master/models/bvlc_reference_caffenet/train_val.prototxt：

接下来本文将一步步对该网络配置结构中各个层进行详细的解读（训练阶段）：

1. conv1阶段DFD（data flow diagram）：

2. conv2阶段DFD（data flow diagram）：

3. conv3阶段DFD（data flow diagram）：

4. conv4阶段DFD（data flow diagram）：

5. conv5阶段DFD（data flow diagram）：

6. fc6阶段DFD（data flow diagram）：

7. fc7阶段DFD（data flow diagram）：

8. fc8阶段DFD（data flow diagram）：

各种layer的operation更多解释可以参考http://caffe.berkeleyvision.org/tutorial/layers.html

从计算该模型的数据流过程中，该模型参数大概5kw+。

caffe的输出中也有包含这块的内容日志，详情如下：

[cpp] view plaincopy
  1. I0721 10:38:15.326920  4692 net.cpp:125] Top shape: 256 3 227 227 (39574272)
  2. I0721 10:38:15.326971  4692 net.cpp:125] Top shape: 256 1 1 1 (256)
  3. I0721 10:38:15.326982  4692 net.cpp:156] data does not need backward computation.
  4. I0721 10:38:15.327003  4692 net.cpp:74] Creating Layer conv1
  5. I0721 10:38:15.327011  4692 net.cpp:84] conv1 <- data
  6. I0721 10:38:15.327033  4692 net.cpp:110] conv1 -> conv1
  7. I0721 10:38:16.721956  4692 net.cpp:125] Top shape: 256 96 55 55 (74342400)
  8. I0721 10:38:16.722030  4692 net.cpp:151] conv1 needs backward computation.
  9. I0721 10:38:16.722059  4692 net.cpp:74] Creating Layer relu1
  10. I0721 10:38:16.722070  4692 net.cpp:84] relu1 <- conv1
  11. I0721 10:38:16.722082  4692 net.cpp:98] relu1 -> conv1 (in-place)
  12. I0721 10:38:16.722096  4692 net.cpp:125] Top shape: 256 96 55 55 (74342400)
  13. I0721 10:38:16.722105  4692 net.cpp:151] relu1 needs backward computation.
  14. I0721 10:38:16.722116  4692 net.cpp:74] Creating Layer pool1
  15. I0721 10:38:16.722125  4692 net.cpp:84] pool1 <- conv1
  16. I0721 10:38:16.722133  4692 net.cpp:110] pool1 -> pool1
  17. I0721 10:38:16.722167  4692 net.cpp:125] Top shape: 256 96 27 27 (17915904)
  18. I0721 10:38:16.722187  4692 net.cpp:151] pool1 needs backward computation.
  19. I0721 10:38:16.722205  4692 net.cpp:74] Creating Layer norm1
  20. I0721 10:38:16.722221  4692 net.cpp:84] norm1 <- pool1
  21. I0721 10:38:16.722234  4692 net.cpp:110] norm1 -> norm1
  22. I0721 10:38:16.722251  4692 net.cpp:125] Top shape: 256 96 27 27 (17915904)
  23. I0721 10:38:16.722260  4692 net.cpp:151] norm1 needs backward computation.
  24. I0721 10:38:16.722272  4692 net.cpp:74] Creating Layer conv2
  25. I0721 10:38:16.722280  4692 net.cpp:84] conv2 <- norm1
  26. I0721 10:38:16.722290  4692 net.cpp:110] conv2 -> conv2
  27. I0721 10:38:16.725225  4692 net.cpp:125] Top shape: 256 256 27 27 (47775744)
  28. I0721 10:38:16.725242  4692 net.cpp:151] conv2 needs backward computation.
  29. I0721 10:38:16.725253  4692 net.cpp:74] Creating Layer relu2
  30. I0721 10:38:16.725261  4692 net.cpp:84] relu2 <- conv2
  31. I0721 10:38:16.725270  4692 net.cpp:98] relu2 -> conv2 (in-place)
  32. I0721 10:38:16.725280  4692 net.cpp:125] Top shape: 256 256 27 27 (47775744)
  33. I0721 10:38:16.725288  4692 net.cpp:151] relu2 needs backward computation.
  34. I0721 10:38:16.725298  4692 net.cpp:74] Creating Layer pool2
  35. I0721 10:38:16.725307  4692 net.cpp:84] pool2 <- conv2
  36. I0721 10:38:16.725317  4692 net.cpp:110] pool2 -> pool2
  37. I0721 10:38:16.725329  4692 net.cpp:125] Top shape: 256 256 13 13 (11075584)
  38. I0721 10:38:16.725338  4692 net.cpp:151] pool2 needs backward computation.
  39. I0721 10:38:16.725358  4692 net.cpp:74] Creating Layer norm2
  40. I0721 10:38:16.725368  4692 net.cpp:84] norm2 <- pool2
  41. I0721 10:38:16.725378  4692 net.cpp:110] norm2 -> norm2
  42. I0721 10:38:16.725389  4692 net.cpp:125] Top shape: 256 256 13 13 (11075584)
  43. I0721 10:38:16.725399  4692 net.cpp:151] norm2 needs backward computation.
  44. I0721 10:38:16.725409  4692 net.cpp:74] Creating Layer conv3
  45. I0721 10:38:16.725419  4692 net.cpp:84] conv3 <- norm2
  46. I0721 10:38:16.725427  4692 net.cpp:110] conv3 -> conv3
  47. I0721 10:38:16.735193  4692 net.cpp:125] Top shape: 256 384 13 13 (16613376)
  48. I0721 10:38:16.735213  4692 net.cpp:151] conv3 needs backward computation.
  49. I0721 10:38:16.735224  4692 net.cpp:74] Creating Layer relu3
  50. I0721 10:38:16.735234  4692 net.cpp:84] relu3 <- conv3
  51. I0721 10:38:16.735242  4692 net.cpp:98] relu3 -> conv3 (in-place)
  52. I0721 10:38:16.735250  4692 net.cpp:125] Top shape: 256 384 13 13 (16613376)
  53. I0721 10:38:16.735258  4692 net.cpp:151] relu3 needs backward computation.
  54. I0721 10:38:16.735302  4692 net.cpp:74] Creating Layer conv4
  55. I0721 10:38:16.735312  4692 net.cpp:84] conv4 <- conv3
  56. I0721 10:38:16.735321  4692 net.cpp:110] conv4 -> conv4
  57. I0721 10:38:16.743952  4692 net.cpp:125] Top shape: 256 384 13 13 (16613376)
  58. I0721 10:38:16.743988  4692 net.cpp:151] conv4 needs backward computation.
  59. I0721 10:38:16.744000  4692 net.cpp:74] Creating Layer relu4
  60. I0721 10:38:16.744010  4692 net.cpp:84] relu4 <- conv4
  61. I0721 10:38:16.744020  4692 net.cpp:98] relu4 -> conv4 (in-place)
  62. I0721 10:38:16.744030  4692 net.cpp:125] Top shape: 256 384 13 13 (16613376)
  63. I0721 10:38:16.744038  4692 net.cpp:151] relu4 needs backward computation.
  64. I0721 10:38:16.744050  4692 net.cpp:74] Creating Layer conv5
  65. I0721 10:38:16.744057  4692 net.cpp:84] conv5 <- conv4
  66. I0721 10:38:16.744067  4692 net.cpp:110] conv5 -> conv5
  67. I0721 10:38:16.748935  4692 net.cpp:125] Top shape: 256 256 13 13 (11075584)
  68. I0721 10:38:16.748955  4692 net.cpp:151] conv5 needs backward computation.
  69. I0721 10:38:16.748965  4692 net.cpp:74] Creating Layer relu5
  70. I0721 10:38:16.748975  4692 net.cpp:84] relu5 <- conv5
  71. I0721 10:38:16.748983  4692 net.cpp:98] relu5 -> conv5 (in-place)
  72. I0721 10:38:16.748998  4692 net.cpp:125] Top shape: 256 256 13 13 (11075584)
  73. I0721 10:38:16.749011  4692 net.cpp:151] relu5 needs backward computation.
  74. I0721 10:38:16.749022  4692 net.cpp:74] Creating Layer pool5
  75. I0721 10:38:16.749030  4692 net.cpp:84] pool5 <- conv5
  76. I0721 10:38:16.749039  4692 net.cpp:110] pool5 -> pool5
  77. I0721 10:38:16.749050  4692 net.cpp:125] Top shape: 256 256 6 6 (2359296)
  78. I0721 10:38:16.749058  4692 net.cpp:151] pool5 needs backward computation.
  79. I0721 10:38:16.749074  4692 net.cpp:74] Creating Layer fc6
  80. I0721 10:38:16.749083  4692 net.cpp:84] fc6 <- pool5
  81. I0721 10:38:16.749091  4692 net.cpp:110] fc6 -> fc6
  82. I0721 10:38:17.160079  4692 net.cpp:125] Top shape: 256 4096 1 1 (1048576)
  83. I0721 10:38:17.160148  4692 net.cpp:151] fc6 needs backward computation.
  84. I0721 10:38:17.160166  4692 net.cpp:74] Creating Layer relu6
  85. I0721 10:38:17.160177  4692 net.cpp:84] relu6 <- fc6
  86. I0721 10:38:17.160190  4692 net.cpp:98] relu6 -> fc6 (in-place)
  87. I0721 10:38:17.160202  4692 net.cpp:125] Top shape: 256 4096 1 1 (1048576)
  88. I0721 10:38:17.160212  4692 net.cpp:151] relu6 needs backward computation.
  89. I0721 10:38:17.160222  4692 net.cpp:74] Creating Layer drop6
  90. I0721 10:38:17.160230  4692 net.cpp:84] drop6 <- fc6
  91. I0721 10:38:17.160238  4692 net.cpp:98] drop6 -> fc6 (in-place)
  92. I0721 10:38:17.160258  4692 net.cpp:125] Top shape: 256 4096 1 1 (1048576)
  93. I0721 10:38:17.160265  4692 net.cpp:151] drop6 needs backward computation.
  94. I0721 10:38:17.160277  4692 net.cpp:74] Creating Layer fc7
  95. I0721 10:38:17.160286  4692 net.cpp:84] fc7 <- fc6
  96. I0721 10:38:17.160295  4692 net.cpp:110] fc7 -> fc7
  97. I0721 10:38:17.342094  4692 net.cpp:125] Top shape: 256 4096 1 1 (1048576)
  98. I0721 10:38:17.342157  4692 net.cpp:151] fc7 needs backward computation.
  99. I0721 10:38:17.342175  4692 net.cpp:74] Creating Layer relu7
  100. I0721 10:38:17.342185  4692 net.cpp:84] relu7 <- fc7
  101. I0721 10:38:17.342198  4692 net.cpp:98] relu7 -> fc7 (in-place)
  102. I0721 10:38:17.342208  4692 net.cpp:125] Top shape: 256 4096 1 1 (1048576)
  103. I0721 10:38:17.342217  4692 net.cpp:151] relu7 needs backward computation.
  104. I0721 10:38:17.342228  4692 net.cpp:74] Creating Layer drop7
  105. I0721 10:38:17.342236  4692 net.cpp:84] drop7 <- fc7
  106. I0721 10:38:17.342245  4692 net.cpp:98] drop7 -> fc7 (in-place)
  107. I0721 10:38:17.342254  4692 net.cpp:125] Top shape: 256 4096 1 1 (1048576)
  108. I0721 10:38:17.342262  4692 net.cpp:151] drop7 needs backward computation.
  109. I0721 10:38:17.342274  4692 net.cpp:74] Creating Layer fc8
  110. I0721 10:38:17.342283  4692 net.cpp:84] fc8 <- fc7
  111. I0721 10:38:17.342291  4692 net.cpp:110] fc8 -> fc8
  112. I0721 10:38:17.343199  4692 net.cpp:125] Top shape: 256 22 1 1 (5632)
  113. I0721 10:38:17.343214  4692 net.cpp:151] fc8 needs backward computation.
  114. I0721 10:38:17.343231  4692 net.cpp:74] Creating Layer loss
  115. I0721 10:38:17.343240  4692 net.cpp:84] loss <- fc8
  116. I0721 10:38:17.343250  4692 net.cpp:84] loss <- label
  117. I0721 10:38:17.343264  4692 net.cpp:151] loss needs backward computation.
  118. I0721 10:38:17.343305  4692 net.cpp:173] Collecting Learning Rate and Weight Decay.
  119. I0721 10:38:17.343327  4692 net.cpp:166] Network initialization done.
  120. I0721 10:38:17.343335  4692 net.cpp:167] Memory required for Data 1073760256

图像分类模型AlexNet解读相关推荐

  1. 【转】[caffe]深度学习之图像分类模型AlexNet解读

    [caffe]深度学习之图像分类模型AlexNet解读 原文地址:http://blog.csdn.net/sunbaigui/article/details/39938097 本文章已收录于:  深 ...

  2. [caffe]深度学习之图像分类模型AlexNet解读

    在imagenet上的图像分类challenge上Alex提出的alexnet网络结构模型赢得了2012届的冠军.要研究CNN类型DL网络模型在图像分类上的应用,就逃不开研究alexnet,这是CNN ...

  3. [caffe]深度学习之图像分类模型VGG解读

    一.简单介绍 vgg和googlenet是2014年imagenet竞赛的双雄,这两类模型结构有一个共同特点是go deeper.跟googlenet不同的是.vgg继承了lenet以及alexnet ...

  4. 基于Keras Application和Densenet迁移学习（transfer learning）的乳腺癌图像分类模型（良性、恶性）

    基于Keras Application和Densenet迁移学习(transfer learning)的乳腺癌图像分类模型(良性.恶性) 概论: 美国癌症学会官方期刊发表<2018年全球癌症统计 ...

  5. 【总结】超100期经典GAN模型的解读，从结构设计到应用，你不动心吗？

    GAN无疑是这几年深度学习领域里最酷的技术,不管是理论的研究,还是GAN在图像生成,图像翻译,语音图像等基础领域的应用,都非常的丰富.我们公众号输出过非常多的GAN相关资源,本次做一个简单汇总,并重点 ...

  6. NLP突破性成果 BERT 模型详细解读 bert参数微调

    https://zhuanlan.zhihu.com/p/46997268 NLP突破性成果 BERT 模型详细解读 章鱼小丸子 不懂算法的产品经理不是好的程序员 ​关注她 82 人赞了该文章 Goo ...

  7. MindSpore图像分类模型支持（Lite）

    MindSpore图像分类模型支持(Lite) 图像分类介绍 图像分类模型可以预测图片中出现哪些物体,识别出图片中出现物体列表及其概率. 比如下图经过模型推理的分类结果为下表: 使用MindSpore ...

  8. 10亿级数据规模的半监督图像分类模型，Imagenet测试精度高达81.2％ | 技术头条...

    译者 | linstancy 作者| I. Zeki Yanlniz, Herve Jegou, Kan Chen, Manohar Paluri, Dhruv Mahajan 编辑 | 蓝色琥珀鱼, ...

  9. Python使用numpy包编写自定义函数计算平均绝对误差(MAE、Mean Absolute Error)、评估回归模型和时间序列模型、解读MAE

    Python使用numpy包编写自定义函数计算平均绝对误差(MAE.Mean Absolute Error).评估回归模型和时间序列模型.解读MAE 目录

  10. Python使用numpy包编写自定义函数计算均方误差(MSE、mean squared error)、评估回归模型和时间序列模型、解读MSE评估指标

    Python使用numpy包编写自定义函数计算均方误差(MSE.mean squared error).评估回归模型和时间序列模型.解读MSE评估指标 目录

最新文章

  1. Nginx 虚拟主机 VirtualHost 配置
  2. matlab基于dct的图像压缩编码解码_基于FPGA的扩频系统设计（下）
  3. java获取异常的数据_Java（8题）：异常，通过try catch进行处理，登录，商品，使用jdbc进行读取，详细图析...
  4. axios发送登录请求_使用axios实现登录功能(前后端联调)
  5. 这是你从未见过的组件库 -- Android 上的手绘风格组件
  6. 【好程序员笔记分享】C语言之break和continue
  7. JQuery放大镜效果
  8. 集合附加属性(HACK)
  9. Leadership_领导力和团队管理
  10. 浅谈微博营销如何吸引流量
  11. 【VC++类型转换】string转换为CString
  12. paip.提升分词---准确度--常用量词表
  13. tp5框架原理详解_笔记：TP5框架完整学习笔记
  14. （附源码）ssm小米购物网站 毕业设计 261624
  15. 股票学习-量柱和k线-第一天
  16. 「实用」打造自我感觉非常漂亮的Mac终端
  17. 实现表单form提交前进行确认提示 表单提交 确认对话框
  18. python 用tkinter 做一个简易番茄钟
  19. java角谷_JAVA 角谷定理 递归
  20. win11触控板使用不了的解决方法

热门文章

  1. 解决Android 4.0以上版本中OptionsMenu菜单不显示ICON图标的问题
  2. Swift常用第三方库
  3. windows2008系统缓存修改
  4. 算法----(3)选择排序
  5. Objective-C 常用结构体
  6. postgres-xc postgres 分布式数据库的一种
  7. jquery以及jquery对象介绍
  8. 字典-dict(无序)
  9. docker安装vim
  10. Fiddler工具使用介绍三