Skip to content
体验新版
项目
组织
正在加载...
登录
切换导航
打开侧边栏
OpenDocCN
d2l-zh
提交
ad59d2f1
D
d2l-zh
项目概览
OpenDocCN
/
d2l-zh
通知
2
Star
0
Fork
0
代码
文件
提交
分支
Tags
贡献者
分支图
Diff
Issue
0
列表
看板
标记
里程碑
合并请求
0
Wiki
0
Wiki
分析
仓库
DevOps
项目成员
Pages
D
d2l-zh
项目概览
项目概览
详情
发布
仓库
仓库
文件
提交
分支
标签
贡献者
分支图
比较
Issue
0
Issue
0
列表
看板
标记
里程碑
合并请求
0
合并请求
0
Pages
分析
分析
仓库分析
DevOps
Wiki
0
Wiki
成员
成员
收起侧边栏
关闭侧边栏
动态
分支图
创建新Issue
提交
Issue看板
体验新版 GitCode,发现更多精彩内容 >>
未验证
提交
ad59d2f1
编写于
1月 04, 2019
作者:
A
Aston Zhang
提交者:
GitHub
1月 04, 2019
浏览文件
操作
浏览文件
下载
差异文件
Merge pull request #477 from 54dengyang/master
对alexnet.md进行微调修改
上级
2b7bef8d
5cd7dda1
变更
1
隐藏空白更改
内联
并排
Showing
1 changed file
with
1 addition
and
1 deletion
+1
-1
chapter_convolutional-neural-networks/alexnet.md
chapter_convolutional-neural-networks/alexnet.md
+1
-1
未找到文件。
chapter_convolutional-neural-networks/alexnet.md
浏览文件 @
ad59d2f1
...
...
@@ -40,7 +40,7 @@ AlexNet与LeNet的设计理念非常相似,但也有显著的区别。
第一,与相对较小的LeNet相比,AlexNet包含8层变换,其中有五层卷积和两层全连接隐含层,以及一个全连接输出层。下面我们来详细描述这些层的设计。
AlexNet第一层中的卷积窗口形状是$11
\t
imes11$。因为ImageNet中绝大多数图像的高和宽均比MNIST图像的高和宽大十倍以上,ImageNet图像的物体占用更多的像素,所以需要更大的卷积窗口来捕获物体。第二层中的卷积窗口形状减小到$5
\t
imes5$,之后全采用$3
\t
imes3$。此外,第一、第二和第五个卷积层之后都使用了窗口形状为$3
\t
imes3$、步幅为2的最大池化层。而且,AlexNet使用的卷积通道数也数十倍
大
于LeNet中的卷积通道数。
AlexNet第一层中的卷积窗口形状是$11
\t
imes11$。因为ImageNet中绝大多数图像的高和宽均比MNIST图像的高和宽大十倍以上,ImageNet图像的物体占用更多的像素,所以需要更大的卷积窗口来捕获物体。第二层中的卷积窗口形状减小到$5
\t
imes5$,之后全采用$3
\t
imes3$。此外,第一、第二和第五个卷积层之后都使用了窗口形状为$3
\t
imes3$、步幅为2的最大池化层。而且,AlexNet使用的卷积通道数也数十倍于LeNet中的卷积通道数。
紧接着最后一个卷积层的是两个输出个数为4096的全连接层。这两个巨大的全连接层带来将近1GB的模型参数。由于早期显存的限制,最早的AlexNet使用双数据流的设计使得一个GPU只需要处理一半模型。幸运的是显存在过去几年得到了长足的发展,通常我们不再需要这样的特别设计了。
...
...
编辑
预览
Markdown
is supported
0%
请重试
或
添加新附件
.
添加附件
取消
You are about to add
0
people
to the discussion. Proceed with caution.
先完成此消息的编辑!
取消
想要评论请
注册
或
登录