剛剛入門深度學習，看了很多部落格，還有吳恩達老師的視訊，對深度學習有了一點認識，現在就我自己的收穫，來分享一下對alexnet的理解，如果有不正確的理解，希望廣大網友可以幫忙指出，一起衝鴨，，，

alexnet的結構

conv1

55* 55 *96

第一層輸入的影象是227* 227 * 3（實際上是224 * 224 * 3，經過填充之後變為227 * 227 * 3，3是通道數channel），使用了96個11 * 11的卷積核，stride即步長為4，卷積之後就會產生一個新的畫素，大小為：（227-11）/4+1=55，加上conv1有96個卷積核，所以卷積結果就為555596，因為是執行在兩個gpu上，所以分為兩組資料，55 * 55 * 48
然後經過一個池化層pooling（也稱降採化處理）：卷積核3，步長2，池化後的影象尺寸為：（55-3）/2+1=27，27 * 27 * 96。
最後一步：區域性響應歸一化LRN，但是我不太理解，

conv2

13* 13 *256

conv3

13* 13 *384

conv4

13* 13 *384

conv5

6* 6 *256

fc6

全連線層，使用4096個神經元，對256個6*6的特徵圖進行全連線，也就是將6 * 6大小的特徵圖進行卷積變成一個特徵點，然後進行加權平均，再進行dropout，隨即從4096丟掉一些節點資訊（值清0）

fc7

過程與fc6類似

fc8

至今不太理解
附上一張立體圖，很直觀