深度学习----------------------深度卷积神经网络AlexNet

AlexNet网络

加入了丢弃法
从激活函数sigmoid改为了ReLu
LeNet主要用的是平均池化，而AlexNet取的是MaxPooling

丢弃法是为了进行模型的控制（因为模型更大了，所以用丢弃法做一些正则）

ReLu是比sigmoid梯度更大

MaxPooling取最大值，使得输出值比较大，梯度相对来说比较大，使得训练更加容易一点。

---

AlexNet架构

通道数从6变成了96
Pad=2是为了让输入和输出的尺寸是一样的。

更多细节

激活函数从sigmoid变到了ReLu（减缓梯度消失）
隐藏全连接层后加入了丢弃层
数据增强

---

总结

    ①AlexNet是更大更深的LeNet，比LeNet多10倍的参数个数，多260倍的计算复杂度。

    ②新加入了丢弃法，ReLU,最大池化层和数据增强。

---

深度卷积神经网络（AlexNet）代码

import torch
from torch import nn
from d2l import torch as d2lnet = nn.Sequential(# 输出通道的数目远大于LeNet# 输入通道为1，输出通道为96，卷积核大小为11×11，步长为4，填充为1# 使用了一个相对较大的卷积核来捕捉图像中的大尺度特征，并通过较大的步长来减少输出的空间维度（高度和宽度）。# 填充用于保持输出的空间维度不会因卷积操作而急剧减小。nn.Conv2d(1, 96, kernel_size=11, stride=4, padding=1), nn.ReLU(),# 通过最大池化来进一步减少输出的空间维度nn.MaxPool2d(kernel_size=3, stride=2),# 减小卷积窗口，使用填充为2来使得输入与输出的高和宽一致，且增大输出通道，256为输出通道数nn.Conv2d(96, 256, kernel_size=5, padding=2), nn.ReLU(),nn.MaxPool2d(kernel_size=3, stride=2),# 使用三个连续的卷积层和较小的卷积窗口。# 除了最后的卷积层，输出通道的数量进一步增加。# 在前两个卷积层之后，池化层不用于减少输入的高度和宽度nn.Conv2d(256, 384, kernel_size=3, padding=1), nn.ReLU(),nn.Conv2d(384, 384, kernel_size=3, padding=1), nn.ReLU(),nn.Conv2d(384, 256, kernel_size=3, padding=1), nn.ReLU(),nn.MaxPool2d(kernel_size=3, stride=2),nn.Flatten(),# 这里，全连接层的输出数量是LeNet中的好几倍。使用dropout层来减轻过拟合nn.Linear(6400, 4096), nn.ReLU(),nn.Dropout(p=0.5),nn.Linear(4096, 4096), nn.ReLU(),nn.Dropout(p=0.5),# 最后是输出层。由于这里使用Fashion-MNIST，所以用类别数为10，而非论文中的1000nn.Linear(4096, 10))

为什么变成6400了
这里的高度和宽度变为了5，由步长一步一步变小的。这里使用Flatten展为1维，则256×5×5=6400

我们构造一个高度和宽度都为224的(单通道数据，来观察每一层输出的形状)。

X = torch.randn(1, 1, 224, 224)
for layer in net:X=layer(X)print(layer.__class__.__name__,'output shape:\t',X.shape)

结果：

AlexNet直接应用于Fashion-MNIST的一个问题是，Fashion-MNIST图像的分辨率（ 28×28 像素）(低于ImageNet图像。) 为了解决这个问题，(我们将它们增加到 224×224 )（通常来讲这不是一个明智的做法，但在这里这样做是为了有效使用AlexNet架构）。这里需要使用d2l.load_data_fashion_mnist函数中的resize参数执行此调整。

batch_size = 128
train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size, resize=224)

训练AlexNet

import timelr, num_epochs = 0.01, 10
time1 = time.time()
d2l.train_ch6(net, train_iter, test_iter, num_epochs, lr, d2l.try_gpu())
time2 = time.time()

这里使用GPU跑，CPU可能跑不动，之前跑过一个跑了很久没跑出来。

结果：

---

问题

    ①为什么AlexNet最后要有两个相同的全连接层Dense(4096)?一个行吗？
一个不行，一个效果会差，4096×4096的全连接层是一个非常厉害的模型。因为前面的卷积的特征抽的不够好、不够深，所以后面靠两个Dense来补，有一个效果会变差。

    ②在一个识别细胞的程序里做了颜色+几何变换的增强后效果反倒比只做几何变化的增强效果差。这个可能是因为什么？
很正常的事情，这是一个超参数，调参是一个很辛苦的过程。