开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

为什么AlexNet在卷积层使用96、256和384滤波器？

AlexNet在卷积层使用96、256和384滤波器的原因是为了增加网络的深度和宽度，从而提高模型的表达能力和学习能力。

具体来说，AlexNet是一种经典的深度卷积神经网络模型，用于图像分类任务。它的设计目标是在大规模图像数据集上取得较好的性能。在卷积层中使用多个滤波器的主要目的是提取不同尺度和不同特征的信息。

使用96个滤波器的第一层卷积层可以捕捉到低级的图像特征，如边缘、纹理等。这些低级特征对于图像分类任务非常重要。

使用256个滤波器的第三层卷积层可以捕捉到更高级的特征，如形状、部分物体等。这些高级特征对于图像分类任务的准确性和鲁棒性有很大的影响。

使用384个滤波器的第五层卷积层可以进一步提取更加抽象和复杂的特征，如物体的整体形状、组合特征等。这些特征对于图像分类任务的性能提升至关重要。

总的来说，通过在卷积层中使用不同数量的滤波器，AlexNet可以逐层地提取图像的不同级别的特征，从而实现更好的图像分类效果。

推荐的腾讯云相关产品和产品介绍链接地址：

腾讯云AI计算平台：https://cloud.tencent.com/product/ai
腾讯云图像识别：https://cloud.tencent.com/product/imagerecognition
腾讯云视频智能分析：https://cloud.tencent.com/product/vca
腾讯云云服务器：https://cloud.tencent.com/product/cvm
腾讯云云数据库：https://cloud.tencent.com/product/cdb
腾讯云云存储：https://cloud.tencent.com/product/cos

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

深度学习与CV教程(9) | 典型CNN架构 (Alexnet,VGG,Googlenet,Restnet等)

本系列为斯坦福CS231n 《深度学习与计算机视觉(Deep Learning for Computer Vision)》的全套学习笔记，对应的课程视频可以在这里查看。更多资料获取方式见文末。

07

【卷积神经网络结构专题】一文详解AlexNet(附代码实现)

【导读】本文是卷积神经网络结构系列专题第二篇文章，前面我们已经介绍了第一个真正意义上的卷积神经网络，那就是由发明者Lecun发明的LeNet，详细解读见：【卷积神经网络结构专题】一文详解LeNet（附代码实现）

01

深度学习与CV教程(5) | 卷积神经网络

本系列为斯坦福CS231n 《深度学习与计算机视觉(Deep Learning for Computer Vision)》的全套学习笔记，对应的课程视频可以在这里查看。更多资料获取方式见文末。

05

CNN卷积神经网络及图像识别

神经网络(neual networks)是人工智能研究领域的一部分，当前最流行的神经网络是深度卷积神经网络(deep convolutional neural networks, CNNs)，虽然卷积网络也存在浅层结构，但是因为准确度和表现力等原因很少使用。目前提到CNNs和卷积神经网络，学术界和工业界不再进行特意区分，一般都指深层结构的卷积神经网络，层数从”几层“到”几十上百“不定。

02

【小白学习PyTorch教程】十三、迁移学习：微调Alexnet实现ant和bee图像分类

多年来，CNN许多变体已经发展起来，从而产生了几种 CNN 架构。其中最常见的是：

02

VGG论文阅读

VGG 是 ImageNet 2014 年目标定位竞赛的第一名，图像分类竞赛的第二名

01

从LeNet到GoogLeNet：逐层详解，看卷积神经网络的进化

深度学习的兴起使卷积神经网络在计算机视觉方面大放异彩，本文将按时间和创新点顺序介绍一系列网络结构：LeNet、AlexNet、VGGNet、InceptionNet 与 ResNet。

03

从LeNet到GoogLeNet：逐层详解，看卷积神经网络的进化

深度学习的兴起使卷积神经网络在计算机视觉方面大放异彩，本文将按时间和创新点顺序介绍一系列网络结构：LeNet、AlexNet、VGGNet、InceptionNet 与 ResNet。

03

【AI前沿】深度学习基础：卷积神经网络（CNN）

卷积神经网络的基本结构由卷积层（Convolutional Layer）、池化层（Pooling Layer）、全连接层（Fully Connected Layer）以及激活函数（Activation Function）组成。

01

Visualizing and Understanding Convolutional Networks

本文针对 AlexNet 网络非凡效果，主要分析它为什么好，怎么改进。为此引入了一个 CNN网络的可视化技术，借此技术分析CNN网络中间各层都学习到什么样的特征，并提出怎么改进 AlexNet 网络。

04

深度学习-AlexNet（第一个深度卷积网络）

AlexNet是第一个深度卷积网络模型，赢得了2012年ImageNet图像分类竞赛的冠军，自98年的LeNet后再次将深度学习研究引热，创造性的提出了很多方法且影响至今，如使用GPU进行训练，使用ReLU 作为非线性激活函数，使用 Dropout 防止过拟合，使用数据增强来提高模型准确率等。

02

Andrej Karpathy 最新演讲：计算机视觉深度学习技术与趋势 (104PPT)

2016年10月18日，世界人工智能大会技术分论坛，特设“新智元智库院长圆桌会议”，重量级研究院院长 7 剑下天山，汇集了中国人工智能产学研三界最豪华院长阵容：美团技术学院院长刘江担任主持人，微软亚洲研究院常务副院长芮勇、360人工智能研究院院长颜水成、北京理工大学计算机学院副院长黄华、联想集团副总裁黄莹、Intel 中国研究院院长宋继强、新华网融媒体未来研究院院长杨溟联袂出席。【新智元导读】这两天在斯坦福有场深度学习盛宴，Yoshua Bengio、吴恩达等人从不同角度讲解深度学习的前沿技术和挑战。本

08

深度学习论文随记（一）---AlexNet模型解读

本文介绍了深度学习的背景和意义，并对AlexNet模型进行了详细解读。文章还分析了创新点，包括ReLU激活函数、Dropout层、数据扩充、重叠池化、LRN局部响应归一化等。最后，文章介绍了图片预处理的方法，包括大小归一化和减去像素平均值。

00

【卷积神经网络-进化史】从LeNet到AlexNet一切的开始( LeNet)王者回归(AlexNet)Refenence

本文是对刘昕博士的《CNN的近期进展与实用技巧》的一个扩充性资料。主要讨论CNN的发展，并且引用刘昕博士的思路，对CNN的发展作一个更加详细的介绍，将按下图的CNN发展史进行描述：上图所示是刘昕

09

卷积神经网络-进化史 | 从LeNet到AlexNet

本文是对刘昕博士的《CNN的近期进展与实用技巧》的一个扩充性资料。主要讨论CNN的发展，并且引用刘昕博士的思路，对CNN的发展作一个更加详细的介绍，将按下图的CNN发展史进行描述：上图所示是刘昕博

06

googlenet网络结构图_代码架构

在上一篇文章中介绍了VGG网络结构，VGG在2014年ImageNet 中获得了定位任务第1名和分类任务第2名的好成绩，而同年分类任务的第一名则是GoogleNet 。GoogleNet是Google研发的深度网络结构，之所以叫“GoogLeNet”，是为了向“LeNet”致敬，有兴趣的同学可以看下原文Going Deeper with Convolutions。

03

深度学习实战篇之 ( 十三) -- TensorFlow之AlexNet

在实践中，由于数据集不够大，很少有人从头开始训练网络。常见的做法是使用预训练的网络（例如在ImageNet上训练的分类1000类的网络）来重新fine-tuning（也叫微调），或者当做特征提取器。

01

CNN网络中的 1 x 1 卷积是什么？

上面是一个 1x1 卷积核的输出示意图，如果是 K 个1x1 卷积核，那么结果就是将通道数由 D 变为 K 降维或升维

01

深度学习经典网络解析：2.AlexNet

在上篇深度学习经典网络解析（一）：LeNet-5中我们提到，LeNet-5创造了卷积神经网络，但是LeNet-5并没有把CNN发扬光大，是CNN真正开始走进人们视野的是今天要介绍的——AlexNet网络。AlexNet网络源自于《ImageNet Classification with Deep Convolutional Neural Networks》这篇论文。作者是是Hinton率领的谷歌团队（Alex Krizhevsky，Ilya Sutskever，Geoffrey E. Hinton），Hinton在上一篇博客我们也曾介绍过，他是深度学习之父，在人工智能寒冬时期，Hinton一直就默默地坚持深度网络的方向，终于在2006年的《Science》上提出了DNN，为如今深度学习的繁荣奠定了基础。AlexNet利用了两块GPU进行计算，大大提高了运算效率，并且在ILSVRC-2012竞赛中获得了top-5测试的15.3%error rate，获得第二名的方法error rate 是 26.2%，可以说差距是非常的大了，足以说明这个网络在当时给学术界和工业界带来的冲击之大。

03

卷积神经网络经验-CS231n笔记

课程note中讲了一些工程经验，感觉很有用，记下来供自己以后查阅相比于大的滤波器，小滤波器更受青睐。小滤波器参数更少、计算量更小、能够表达更多的特征，做反向传播时需要的内存更少。通常不会考虑创建一个新的网络结构。一般都会找一些在ImageNet上有较好表现的预训练网络，下载下来然后做finetune input layer通常是2的倍数，比如32（CIFAR-10），96（STL-10） conv layer通常使用小滤波器（3x3 或 5x5），stride=1，做padding保证卷积层不会改变输入

01

AlexNet算法入门

AlexNet是深度学习领域中的经典卷积神经网络（CNN）模型之一，由Alex Krizhevsky等人提出，并在2012年的ImageNet图像识别竞赛中取得了重大突破。本文将介绍AlexNet的基本结构和关键特点，帮助读者深入了解这一算法。

03

基于Pytorch构建AlexNet网络对cifar-10进行分类

AlexNet网络是CV领域最经典的网络结构之一了，在2012年横空出世，并在当年夺下了不少比赛的冠军。也是在那年之后，更多的更深的神经网络被提出，比如优秀的vgg,GoogLeNet。AlexNet和LeNet的设计非常类似，但AlexNet的结构比LeNet规模更大。

01

从AlexNet剖析-卷积网络CNN的一般结构

作者：张旭编辑：王抒伟算了想看多久看多久零参考目录：一、卷积层 1.CNN中卷积层的作用 2.卷积层如何工作 3.AlexNet中的卷积层二、池化层与激活层 1.池化层 2.激活层三、全连接层 1.全连接层的作用 2.AlexNet中的全连接层四、Softmax层 1.Softmax的作用 2.AlexNet中的Softmax

05

卷积神经网络（二） ——LetNet-5、AlexNet、VGG-16、残差网络

卷积神经网络（二） ——LetNet-5、AlexNet、VGG-16、残差网络（原创内容，转载请注明来源，谢谢）一、概述本文主要介绍几种卷积网络模型，学习它们的结构、组成、特点等。二、Let

06

【模型解读】从LeNet到VGG，看卷积+池化串联的网络结构

这是深度学习模型解读第一篇，本篇我们将介绍LeNet，AlexNet，VGGNet，它们都是卷积+池化串联的基本网络结构。

02

从AlexNet理解卷积神经网络的一般结构

2012年AlexNet在ImageNet大赛上一举夺魁，开启了深度学习的时代，虽然后来大量比AlexNet更快速更准确的卷积神经网络结构相继出现，但是AlexNet作为开创者依旧有着很多值得学习参考

06

SiamFC：用于目标跟踪的全卷积孪生网络

图中z代表的是模板图像，算法中使用的是第一帧的ground truth；x代表的是search region，代表在后面的待跟踪帧中的候选框搜索区域；ϕ代表的是一种特征映射操作，将原始图像映射到特定的特征空间，文中采用的是CNN中的卷积层和pooling层；6×6×128代表z经过ϕ后得到的特征，是一个128通道6×6大小feature，同理，22×22×128是x经过ϕ后的特征；后面的×代表卷积操作，让22×22×128的feature被6×6×128的卷积核卷积，得到一个17×17的score map，代表着搜索区域中各个位置与模板相似度值。

03

TASK 5 AlexNet与VGG

深度学习的局部响应归一化LRN(Local Response Normalization)理解【深度学习技术】LRN 局部响应归一化

03

卷积神经网络之 - Alexnet

论文地址：https://papers.nips.cc/paper/4824-imagenet-classification-with-deep-convolutional-neural-networks.pdf

02

深度学习理论篇之 ( 十四) -- AlexNet之更上一楼

损失函数（loss function）或代价函数（cost function）是将随机事件或其有关随机变量的取值映射为非负实数以表示该随机事件的“风险”或“损失”的函数。在应用中，损失函数通常作为学习准则与优化问题相联系，即通过最小化损失函数求解和评估模型。

02

卷积神经网络之 - ZFNet

（貌似江湖上有两篇 ZFNet 的论文，也即：Visualizing and Understanding Convolutional Networks ）最新的请见论文地址：https://arxiv.org/pdf/1311.2901.pdf

02

全卷积网络fcn详解_全卷积神经网络原理

FCN是深度学习应用在图像分割的代表作, 是一种端到端(end to end)的图像分割方法, 让网络做像素级别的预测直接得出label map, 下面我们来看看FCN是如何做到像素级别的分类的

05

cs231n - CNN Architectures

这节课介绍了几个常见的卷积神经网络的架构，从结构上学习神经网络的构成，包括 AlexNet，LeNet，VGG，GoogLeNet，ResNet，这些网络都是在之前的 ImageNet 挑战中获得过第一名网络结构，值得我们好好学习一下。现在很多的神经网络框架里都集成了这些框架，但是建议还是手动实现一下哈

02

深度学习500问——Chapter09：图像分割（1）

图像分割是预测图像中每一个像素所属的类别或者物体。基于深度学习的图像分割算法主要分为两类：

00

卷积神经网络(CNN)与深度卷积神经网络(DCNN)

AlexNet是第一个现代深度卷积网络模型，首次使用了许多现代深度卷积网络的技术方法，比如，采用ReLu作为非线性激活函数，使用Dropout防止过拟合，是用数据增强提高模型准确率，使用GPU进行并行训练等。

01

VERY DEEP CONVOLUTIONAL NETWORKS FOR LARGE-SCALE IMAGE RECOGNITION(VGG)

在这项工作中，我们研究了卷积网络深度对其在大规模图像识别设置中的准确性的影响。我们的主要贡献是使用一个非常小的(3×3)卷积滤波器的架构对增加深度的网络进行了全面的评估，这表明通过将深度提升到16-19个权重层，可以显著改善先前的配置。这些发现是我们提交的ImageNet挑战赛的基础，我们的团队在定位和分类方面分别获得了第一名和第二名。我们还表明，我们的表现可以很好地推广到其他数据集，在这些数据集上，他们可以获得最先进的结果。我们已经公开了两个性能最好的ConvNet模型，以便进一步研究如何在计算机视觉中使用深度视觉表示。

00

机器之心GitHub项目：从零开始用TensorFlow搭建卷积神经网络

机器之心原创参与：蒋思源机器之心基于 Ahmet Taspinar 的博文使用 TensorFlow 手动搭建卷积神经网络，并提供所有代码和注释的 Jupyter Notebook 文档。我们将不仅描述训练情况，同时还将提供各种背景知识和分析。所有的代码和运行结果都已上传至 Github，机器之心希望通过我们的试验提供精确的代码和运行经验，我们将持续试验这一类高质量的教程和代码。机器之心项目地址：https://github.com/jiqizhixin/ML-Tutorial-Experiment

08

卷积神经网络中的参数共享/权重复制

参数共享或权重复制是深度学习中经常被忽略的领域。但是了解这个简单的概念有助于更广泛地理解卷积神经网络的内部。卷积神经网络（cnn）能够使那些通过网络馈送的图像在进行仿射变换时具有不变性。这个特点提供了识别偏移图案、识别倾斜或轻微扭曲的图像的能力。

02

【计算机视觉必读干货】图像分类、定位、检测，语义分割和实例分割方法梳理

【导读】本文作者来自南京大学计算机系机器学习与数据挖掘所（LAMDA），本文直观系统地梳理了深度学习在计算机视觉领域四大基本任务中的应用，包括图像分类、定位、检测、语义分割和实例分割。本文旨在介绍深度学习在计算机视觉领域四大基本任务中的应用，包括分类(图a)、定位、检测(图b)、语义分割(图c)、和实例分割(图d)。图像分类(image classification) 给定一张输入图像，图像分类任务旨在判断该图像所属类别。 (1) 图像分类常用数据集以下是几种常用分类数据集，难度依次递增。h

08

图像分类、检测，语义分割等方法梳理

本文旨在介绍深度学习在计算机视觉领域四大基本任务中的应用，包括分类(图a)、定位、检测(图b)、语义分割(图c)、和实例分割(图d)。

01

【计算机视觉必读干货】图像分类、定位、检测，语义分割和实例分割方法梳理

作者：张皓【新智元导读】本文作者来自南京大学计算机系机器学习与数据挖掘所（LAMDA），本文直观系统地梳理了深度学习在计算机视觉领域四大基本任务中的应用，包括图像分类、定位、检测、语义分割和实例分割

06

VGG - Very Deep Convolutional Networks for Large-Scale Image Recognition

Very Deep Convolutional Networks for Large-Scale Image Recognition

02

神经网络模型之AlexNet的一些总结

说明：这个属于个人的一些理解，有错误的地方，还希望给予教育哈～此处以caffe官方提供的AlexNet为例. 目录： 1.背景 2.框架介绍 3.步骤详细说明 5.参考文献背景： AlexNet是在2012年被发表的一个金典之作，并在当年取得了ImageNet最好成绩，也是在那年之后，更多的更深的神经网路被提出，比如优秀的vgg,GoogleLeNet. 其官方提供的数据模型，准确率达到57.1%,top 1-5 达到80.2%. 这项对于传统的机器学习分类算法而言，已经相当的出色。框架介绍: Al

05

神经网络体系搭建（三）——卷积神经网络

本篇是神经网络体系搭建的第三篇，解决体系搭建的卷积神经网络相关问题，详见神经网络体系搭建(序) 卷积神经网络（CNN） CNN是什么卷积神经网络是一种空间上共享参数的神经网络。为什么会有CNN 像

08

CNN基础 & CV基本应用

直接上代码，kaiming初始化真的猛。与LeNet相比，这里的主要变化是使用更小的学习速率训练，这是因为网络更深更广、图像分辨率更高，训练卷积神经网络就更昂贵。

05

CNN网络介绍与实践：王者荣耀英雄图片识别

本文介绍了如何用深度学习实现王者荣耀的英雄识别。首先介绍了传统的英雄识别方法，然后介绍了使用CNN提取特征进行识别的方法。最后，介绍了一种使用LSTM进行序列标注的方法。

03

通过简单代码回顾卷积块

我会努力定期去阅读机器学习和人工智能相关的论文。这也是能够持续跟进最新进展的唯一途径。作为一名计算机科学家，我经常在翻阅科学描述文本或者公式的数学符号时碰壁。我发现在普通代码中理解它要容易的多。因此在本文中，我想引导你通过 Keras 实现精选的最新架构的重要卷积块。

04

深度学习基础：9.复现经典网络：LeNet5与AlexNet

1998年， LeNet5 被LeCun等人在论文《Gradient-Based Learning Applied to Document Recognition》中正式提出，它被认为是现代卷积神经网络的奠基者。

01

毕业设计（基于TensorFlow的深度学习与研究）之核心篇CNN-AlexNet详解

在本文中，我将会对我本科毕业设计的核心AlexNet卷积神经网络进行详细的讲解，我将会分成三个部分来进行阐述：

01

googlenet网络模型简介_网络参考模型

一、GoogleNet模型简介 GoogleNet和VGG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VGG不同的是，GoogleNet做了更大胆的网络上的尝试而不是像VGG继承了Lenet以及AlexNet的一些框架，该模型虽然有22层，但大小却比AlexNet和VGG都小很多，性能优越。深度学习以及神经网络快速发展，人们容易通过更高性能的硬件，更庞大的带标签数据和更深更宽的网络模型等手段来获得更好的预测识别效果，但是这一策略带来了两个重要的缺陷。（1）更深更宽的网络模型会产生巨量参数，从而容易出现过拟合现象。（2）网络规模加大会极大增加计算量，消耗更多的计算资源。解决这两个缺陷的根本方法就是将全连接甚至一般的卷积都转化为稀疏连接。一方面现实生物神经系统的连接也是稀疏的，另一方面有文献表明：对于大规模稀疏的神经网络，可以通过分析激活值的统计特性和对高度相关的输出进行聚类来逐层构建出一个最优网络。这点表明臃肿的稀疏网络可能被不失性能地简化。虽然数学证明有着严格的条件限制，但Hebbian定理有力地支持了这一结论。由于计算机软硬件对非均匀稀疏数据的计算效率很差，所以在AlexNet模型重新启用了全连接层，其目的是为了更好地优化并行运算。所以，现在的问题是否有一种方法，既能保持网络结构的稀疏性，又能利用密集矩阵的高计算性能。事实上可以将稀疏矩阵聚类为较为密集的子矩阵来提高计算性能，具体方法是采用将多个稀疏矩阵合并成相关的稠密子矩阵的方法来提高计算性能，Google团队沿着这个思路提出了名为Inception 结构来实现此目的。

01

扫码

添加站长进交流群

领取专属 10元无门槛券

手把手带您无忧上云

扫码加入开发者社群

相关资讯

热门标签

活动推荐

运营活动

活动名称

广告关闭