一：Pytorch实现经典模型AlexNet模型
要求：
使用pytorch实现经典的分类模型AlexNet,这里主要因为没有GPU环境，而其完整参数达到了6000万个，所以如ppt要求，在该模型的基础架构上，修改卷积核的大小以及卷积操作的步长等来模拟实现。
实验设计：
实验过程：
注：这里主要介绍一下AlexNet模型的定义，其中因为参数量过大，以及图片的输入大小变为了64*64，所以对于每层的卷积核大小以及步长等做了相关变化。
1.1AlexNet模型定义
1. # 定义神经网络 2. class ALexNet(nn.Module): # 训练 ALexNet 3. ''''' 4. 五层卷积，三层全连接 (输入图片大小是 C x H x W ---> 3 * 64 * 64) 5. 这里因为图片大小是64*64，所以这里重新改变了各层的步长、卷积核大小等 6. ''' 7. def __init__(self): 8. super(ALexNet, self).__init__() 9. # 五个卷积层 10. self.conv1 = nn.Sequential( # 输入 3 * 64 * 64 输出 6*16*16 11. nn.Conv2d(in_channels=3, out_channels=6, kernel_size=3, stride=1, padding=1), # (64-3+2)/1+1 = 64 12. nn.ReLU(), 13. nn.MaxPool2d(kernel_size=4, stride=4, padding=0) # (64-4)/4+1 = 16 14. ) 15. self.conv2 = nn.Sequential( # 输入 6 * 16 * 16 输出 16*8*8 16. nn.Conv2d(in_channels=6, out_channels=16, kernel_size=3, stride=1, padding=1), # (16-3+2)/1+1 = 16 17. nn.ReLU(), 18. nn.MaxPool2d(kernel_size=2, stride=2, padding=0) # (16-2)/2+1 = 8 19. ) 20. self.conv3 = nn.Sequential( # 输入 16 * 8 * 8 输出 32 * 8 * 8 21. nn.Conv2d(in_channels=16, out_channels=32, kernel_size=3, stride=1, padding=1), # (8-3+2)/1+1 = 8 22. nn.ReLU() 23. ) 24. self.conv4 = nn.Sequential( # 输入 32 * 8 * 8 输出 64 * 8 * 8 25. nn.Conv2d(in_channels=32, out_channels=64, kernel_size=3, stride=1, padding=1), # (8-3+2)/1+1 = 8 26. nn.ReLU() 27. ) 28. self.conv5 = nn.Sequential( # 输入 64 * 8 * 8 输出 128 * 1 * 1 29. nn.Conv2d(in_channels=64, out_channels=128, kernel_size=3, stride=1, padding=1),# (8-3+2)/1+1 = 8 30. nn.ReLU(), 31. nn.MaxPool2d(kernel_size=4, stride=4, padding=0) # (8-4)/4 + 1 = 2 32. ) 33. # 最后一层卷积层，输出 128 * 2 * 2 34. # 全连接层 35. self.dense = nn.Sequential( 36. nn.Linear(512, 120), 37. nn.ReLU(), 38. nn.Linear(120, 84), 39. nn.ReLU(), 40. nn.Linear(84, 3) 41. ) 42. 43. def forward(self, x): 44. x = self.conv1(x) 45. x = self.conv2(x) 46. x = self.conv3(x) 47. x = self.conv4(x) 48. x = self.conv5(x) 49. x = x.view(-1, 512) 50. x = self.dense(x) 51. return x
注：主要包括5层卷积层和3层全连接层，其卷积层的卷积核的大小、步长等。
