AlexNet背景
AlexNet是2012年由Alex Krizhevsky、Ilya Sutskever和Geoffrey Hinton提出的深度卷积神经网络架构。
它在ImageNet大规模视觉识别挑战赛(ILSVRC)中取得了突破性成绩，将top-5错误率从26%降低到了15.3%，这一成就标志着深度学习在计算机视觉领域的崛起。
AlexNet的成功主要归功于以下几个创新点：
- 使用ReLU(Rectified Linear Unit)作为激活函数，解决了传统Sigmoid/Tanh激活函数在深层网络中的梯度消失问题
- 采用Dropout技术减少全连接层的过拟合
- 使用重叠的最大池化(max pooling)代替传统平均池化，提升了特征不变性
- 首次在CNN中成功应用GPU加速训练，使得训练大规模深层网络成为可能
AlexNet的出现开启了深度学习在计算机视觉领域的新纪元，为后续各种CNN架构(如VGG、ResNet等)的发展奠定了基础。
AlexNet架构
AlexNet原始架构包含8个学习层 - 5个卷积层和3个全连接层。下面是详细的架构描述：
- 输入层：接受224×224×3的RGB图像(在FashionMNIST中调整为227×227×1的灰度图像)
- 卷积层1：96个11×11的卷积核，步长4，使用ReLU激活
- 最大池化层1：3×3池化窗口，步长2
- 卷积层2：256个5×5的卷积核，padding=2，使用ReLU激活
- 最大池化层2：3×3池化窗口，步长2
- 卷积层3：384个3×3的卷积核，padding=1，使用ReLU激活
- 卷积层4：384个3×3的卷积核，padding=1，使用ReLU激活
- 卷积层5：256个3×3的卷积核，padding=1，使用ReLU激活
- 最大池化层3：3×3池化窗口，步长2
- 全连接层1：4096个神经元，使用ReLU激活，Dropout=0.5
- 全连接层2：4096个神经元，使用ReLU激活，Dropout=0.5
- 全连接层3(输出层)：1000个神经元(在FashionMNIST中调整为10个)
参数计算详解
让我们详细计算AlexNet每一层的参数数量：
-
卷积层1：
- 输入：227×227×1
- 96个11×11卷积核
- 参数数量 = (11×11×1 + 1偏置)×96 = 11,712
-
卷积层2：
- 输入：27×27×96 (经过池化后尺寸)
- 256个5×5卷积核
- 参数数量 = (5×5×96 + 1)×256 = 614,656
-
卷积层3：
- 输入：13×13×256
- 384个3×3卷积核
- 参数数量 = (3×3×256 + 1)×384 = 885,120
-
卷积层4：
- 输入：13×13×384
- 384个3×3卷积核
- 参数数量 = (3×3×384 + 1)×384 = 1,327,488
-
卷积层5：
- 输入：13×13×384
- 256个3×3卷积核
- 参数数量 = (3×3×384 + 1)×256 = 884,992
-
全连接层1：
- 输入：6×6×256 = 9216
- 输出：4096
- 参数数量 = (9216 + 1)×4096 = 37,752,832
-
全连接层2：
- 输入：4096
- 输出：4096
- 参数数量 = (4096 + 1)×4096 = 16,781,312
-
全连接层3：
- 输入：4096
- 输出：10(FashionMNIST)
- 参数数量 = (4096 + 1)×10 = 40,970
总参数数量约为6000万(原始AlexNet)，在FashionMNIST上约为5800万。
代码实现解析
模型实现代码(model.py)
import os
import sys
sys.path.append(os.getcwd())
import torch # 导入PyTorch主库
from torch import nn # 从torch中导入神经网络模块
from torchsummary import summary # 导入torchsummary用于模型结构总结
import torch.nn.functional as F # 导入PyTorch的函数式API，常用于激活函数、dropout等
class AlexNet(nn.Module): # 定义AlexNet模型，继承自nn.Module
def __init__(self): # 构造函数，初始化网络结构
super(AlexNet, self).__init__() # 调用父类的构造函数
self.ReLU = nn.ReLU() # 定义ReLU激活函数，后续多次复用
self.conv1 = nn.Conv2d(
in_channels=1, out_channels=96, stride=4, kernel_size=11
) # 第一层卷积，输入通道1，输出通道96，步幅4，卷积核11x11
self.pool1 = nn.MaxPool2d(kernel_size=3, stride=2) # 第一层池化，3x3窗口，步幅2
self.conv2 = nn.Conv2d(
in_channels=96, out_channels=256, stride=1, kernel_size=5, padding=2
) # 第二层卷积，输入96通道，输出256通道，5x5卷积核，padding=2
self.pool2 = nn.MaxPool2d(kernel_size=3, stride=2) # 第二层池化，3x3窗口，步幅2
self.conv3 = nn.Conv2d(
in_channels=256, out_channels=384, stride=1, kernel_size=3, padding=1
) # 第三层卷积，输入256通道，输出384通道，3x3卷积核，padding=1
self.conv4 = nn.Conv2d(
in_channels=384, out_channels=384, stride=1, kernel_size=3, padding=1
) # 第四层卷积，输入384通道，输出384通道，3x3卷积核，padding=1
self.conv5 = nn.Conv2d(
in_channels=384, out_channels=256, stride=1, kernel_size=3, padding=1
) # 第五层卷积，输入384通道，输出256通道，3x3卷积核，padding=1
self.pool3 = nn.MaxPool2d(kernel_size=3, stride=2) # 第三层池化，3x3窗口，步幅2
self.flatten = nn.Flatten() # 展平层，将多维输入展平成一维
self.fc1 = nn.Linear(
in_features=256 * 6 * 6, out_features=4096
) # 第一个全连接层，输入256 * 6 * 6，输出4096
self.fc2 = nn.Linear(
in_features=4096, out_features=4096
) # 第二个全连接层，输入4096，输出4096
self.fc3 = nn.Linear(
in_features=4096, out_features=10
) # 第三个全连接层，输入4096，输出10（假设10分类）
def forward(self, x): # 定义前向传播过程
x = self.conv1(x) # 输入通过第一层卷积
x = self.ReLU(x) # 激活
x = self.pool1(x) # 池化
x = self.conv2(x) # 第二层卷积
x = self.ReLU(x) # 激活
x = self.pool2(x) # 池化
x = self.conv3(x) # 第三层卷积
x = self.ReLU(x) # 激活
x = self.conv4(x) # 第四层卷积
x = self.ReLU(x) # 激活
x = self.conv5(x) # 第五层卷积
x = self.ReLU(x) # 激活
x = self.pool3(x) # 池化
x = self.flatten(x) # 展平为一维向量
x = self.fc1(x) # 第一个全连接层
x = self.ReLU(x) # 激活
x = F.dropout(x, p=0.5) # dropout防止过拟合，丢弃概率0.5
x = self.fc2(x) # 第二个全连接层
x = self.ReLU(x) # 激活
x = F.dropout(x, p=0.5) # dropout防止过拟合，丢弃概率0.5
x = self.fc3(x) # 第三个全连接层，输出最终结果
return x # 返回输出
if __name__ == "__main__": # 如果作为主程序运行
model = AlexNet() # 实例化AlexNet模型
print(model) # 打印模型结构
summary(
model, input_size=(1, 227, 227), device="cpu"
) # 打印模型摘要，输入尺寸为(1, 227, 227)，单通道训练代码(train.py)
import os # 导入os模块，用于与操作系统交互
import sys # 导入sys模块，用于操作Python运行时环境
sys.path.append(os.getcwd()) # 将当前工作目录添加到sys.path，方便模块导入
import time # 导入time模块，用于计时
from torchvision.datasets import FashionMNIST # 导入FashionMNIST数据集
from torchvision import transforms # 导入transforms用于数据预处理
from torch.utils.data import (
DataLoader, # 导入DataLoader用于批量加载数据
random_split, # 导入random_split用于划分数据集
)
import numpy as np # 导入numpy用于数值计算
import matplotlib.pyplot as plt # 导入matplotlib用于绘图
import torch # 导入PyTorch主库
from torch import nn, optim # 导入神经网络模块和优化器
import copy # 导入copy模块用于深拷贝
import pandas as pd # 导入pandas用于数据处理
from AlexNet_model.model import AlexNet # 从自定义模块导入AlexNet模型
def train_val_date_load(): # 定义函数用于加载训练集和验证集
train_dataset = FashionMNIST(
root="./data", # 数据存储路径
train=True, # 加载训练集
download=True, # 如果数据不存在则下载
transform=transforms.Compose(
[
transforms.Resize(size=227), # 将图片缩放到227x227
transforms.ToTensor(), # 转换为Tensor
]
),
)
train_date, val_data = random_split(
train_dataset,
[
int(len(train_dataset) * 0.8), # 80%作为训练集
len(train_dataset) - int(len(train_dataset) * 0.8), # 剩余20%作为验证集
],
)
train_loader = DataLoader(
dataset=train_date,
batch_size=32,
shuffle=True,
num_workers=1, # 训练集加载器，批量32，打乱顺序
)
val_loader = DataLoader(
dataset=val_data,
batch_size=32,
shuffle=True,
num_workers=1, # 验证集加载器，批量32，打乱顺序
)
return train_loader, val_loader # 返回训练集和验证集加载器
def train_model_process(model, train_loader, val_loader, epochs=10): # 定义训练过程函数
device = "cuda" if torch.cuda.is_available() else "cpu" # 判断是否有GPU可用
optimizer = optim.Adam(model.parameters(), lr=0.001) # 使用Adam优化器，学习率0.001
criterion = nn.CrossEntropyLoss() # 定义交叉熵损失函数
model.to(device) # 将模型移动到指定设备
best_model_wts = copy.deepcopy(model.state_dict()) # 保存最佳模型参数
best_acc = 0.0 # 初始化最佳准确率
train_loss_all = [] # 记录每轮训练损失
val_loss_all = [] # 记录每轮验证损失
train_acc_all = [] # 记录每轮训练准确率
val_acc_all = [] # 记录每轮验证准确率
since = time.time() # 记录训练开始时间
for epoch in range(epochs): # 遍历每个训练轮次
print(f"Epoch {epoch + 1}/{epochs}") # 打印当前轮次信息
train_loss = 0.0 # 当前轮训练损失
train_correct = 0 # 当前轮训练正确样本数
val_loss = 0.0 # 当前轮验证损失
val_correct = 0 # 当前轮验证正确样本数
train_num = 0 # 当前轮训练样本总数
val_num = 0 # 当前轮验证样本总数
for step, (images, labels) in enumerate(train_loader): # 遍历训练集
images = images.to(device) # 将图片移动到设备
labels = labels.to(device) # 将标签移动到设备
model.train() # 设置模型为训练模式
outputs = model(images) # 前向传播，获取输出
pre_lab = torch.argmax(outputs, dim=1) # 获取预测标签
loss = criterion(outputs, labels) # 计算损失
optimizer.zero_grad() # 梯度清零
loss.backward() # 反向传播
optimizer.step() # 更新参数
train_loss += loss.item() * images.size(0) # 累加损失
train_correct += torch.sum(pre_lab == labels.data) # 累加正确预测数
train_num += labels.size(0) # 累加样本数
for step, (images, labels) in enumerate(val_loader): # 遍历验证集
images = images.to(device) # 将图片移动到设备
labels = labels.to(device) # 将标签移动到设备
model.eval() # 设置模型为评估模式
with torch.no_grad(): # 关闭梯度计算
outputs = model(images) # 前向传播
pre_lab = torch.argmax(outputs, dim=1) # 获取预测标签
loss = criterion(outputs, labels) # 计算损失
val_loss += loss.item() * images.size(0) # 累加损失
val_correct += torch.sum(pre_lab == labels.data) # 累加正确预测数
val_num += labels.size(0) # 累加样本数
train_loss_all.append(train_loss / train_num) # 记录本轮平均训练损失
val_loss_all.append(val_loss / val_num) # 记录本轮平均验证损失
train_acc = train_correct.double() / train_num # 计算本轮训练准确率
val_acc = val_correct.double() / val_num # 计算本轮验证准确率
train_acc_all.append(train_acc.item()) # 记录训练准确率
val_acc_all.append(val_acc.item()) # 记录验证准确率
print(
f"Train Loss: {train_loss / train_num:.4f}, Train Acc: {train_acc:.4f}, "
f"Val Loss: {val_loss / val_num:.4f}, Val Acc: {val_acc:.4f}"
) # 打印本轮损失和准确率
if val_acc_all[-1] > best_acc: # 如果本轮验证准确率更高
best_acc = val_acc_all[-1] # 更新最佳准确率
best_model_wts = copy.deepcopy(model.state_dict()) # 保存最佳模型参数
# model.load_state_dict(best_model_wts) # 可选：恢复最佳模型参数
time_elapsed = time.time() - since # 计算训练总耗时
print(
f"Training complete in {time_elapsed // 60:.0f}m {time_elapsed % 60:.0f}s\n"
f"Best val Acc: {best_acc:.4f}"
) # 打印训练耗时和最佳准确率
torch.save(model.state_dict(), "./models/alex_net_best_model.pth") # 保存模型参数
train_process = pd.DataFrame(
data={
"epoch": range(1, epochs + 1), # 轮次
"train_loss_all": train_loss_all, # 训练损失
"val_loss_all": val_loss_all, # 验证损失
"train_acc_all": train_acc_all, # 训练准确率
"val_acc_all": val_acc_all, # 验证准确率
}
) # 构建训练过程数据表
return train_process # 返回训练过程数据
def matplot_acc_loss(train_process): # 定义绘图函数
plt.figure(figsize=(12, 5)) # 创建画布，设置大小
plt.subplot(1, 2, 1) # 激活第1个子图
plt.plot(
train_process["epoch"], train_process["train_loss_all"], label="Train Loss"
) # 绘制训练损失曲线
plt.plot(
train_process["epoch"], train_process["val_loss_all"], label="Val Loss"
) # 绘制验证损失曲线
plt.xlabel("Epoch") # 设置x轴标签
plt.ylabel("Loss") # 设置y轴标签
plt.title("Loss vs Epoch") # 设置子图标题
plt.legend() # 显示图例
plt.subplot(1, 2, 2) # 激活第2个子图
plt.plot(
train_process["epoch"], train_process["train_acc_all"], label="Train Acc"
) # 绘制训练准确率曲线
plt.plot(
train_process["epoch"], train_process["val_acc_all"], label="Val Acc"
) # 绘制验证准确率曲线
plt.xlabel("Epoch") # 设置x轴标签为Epoch
plt.ylabel("Accuracy") # 设置y轴标签为Accuracy
plt.title("Accuracy vs Epoch") # 设置子图标题
plt.legend() # 显示图例
plt.tight_layout() # 自动调整子图间距
plt.ion() # 关闭交互模式，防止图像自动关闭
plt.show() # 显示所有图像
plt.savefig("./models/alex_net_output.png") # 保存图片到指定路径
if __name__ == "__main__": # 如果当前脚本作为主程序运行
traindatam, valdata = train_val_date_load() # 加载训练集和验证集
result = train_model_process(
AlexNet(), traindatam, valdata, 10
) # 训练模型并获取训练过程数据
matplot_acc_loss(result) # 绘制训练和验证的损失及准确率曲线测试代码(test.py)
import os # 导入os模块，用于与操作系统交互
import sys # 导入sys模块，用于操作Python运行时环境
sys.path.append(os.getcwd()) # 将当前工作目录添加到sys.path，方便模块导入
import torch # 导入PyTorch主库
from torch.utils.data import (
DataLoader, # 导入DataLoader用于批量加载数据
random_split, # 导入random_split用于划分数据集（本文件未用到）
)
from torchvision import datasets, transforms # 导入torchvision的数据集和数据变换模块
from torchvision.datasets import FashionMNIST # 导入FashionMNIST数据集
from AlexNet_model.model import AlexNet # 从自定义模块导入AlexNet模型
def test_data_load(): # 定义测试数据加载函数
test_dataset = FashionMNIST(
root="./data", # 数据存储路径
train=False, # 加载测试集
download=True, # 如果数据不存在则下载
transform=transforms.Compose(
[
transforms.Resize(size=227), # 将图片缩放到227x227
transforms.ToTensor(), # 转换为Tensor
]
),
)
test_loader = DataLoader(
dataset=test_dataset, batch_size=128, shuffle=True, num_workers=1 # 测试集加载器，批量128，打乱顺序
)
return test_loader # 返回测试集加载器
print(test_data_load()) # 打印测试集加载器（调试用）
def test_model_process(model, test_loader): # 定义模型测试过程
device = "cuda" if torch.cuda.is_available() else "cpu" # 判断是否有GPU可用
model.to(device) # 将模型移动到指定设备
model.eval() # 设置模型为评估模式
correct = 0 # 正确预测样本数
total = 0 # 总样本数
with torch.no_grad(): # 关闭梯度计算，加快推理速度
for images, labels in test_loader: # 遍历测试集
images, labels = images.to(device), labels.to(device) # 数据移动到设备
outputs = model(images) # 前向传播，获取输出
_, predicted = torch.max(outputs, 1) # 获取预测标签
total += labels.size(0) # 累加总样本数
correct += torch.sum(predicted == labels.data) # 累加正确预测数
accuracy = correct / total * 100 # 计算准确率（百分比）
print(f"Test Accuracy: {accuracy:.2f}%") # 打印测试准确率
if __name__ == "__main__": # 如果当前脚本作为主程序运行
test_loader = test_data_load() # 加载测试集
model = AlexNet() # 实例化AlexNet模型
model.load_state_dict(torch.load("./models/alex_net_best_model.pth")) # 加载训练好的模型参数
test_model_process(model, test_loader) # 测试模型并输出准确率总结
AlexNet作为深度学习在计算机视觉领域的里程碑式模型，具有以下重要特点和贡献：
- 架构创新：首次证明了深层卷积神经网络在大规模图像识别任务中的有效性
- 技术突破：引入了ReLU激活函数、Dropout、局部响应归一化等技术
- 硬件加速：开创性地使用GPU加速CNN训练，大幅缩短训练时间
- 开源影响：AlexNet的成功推动了深度学习开源框架的发展
尽管现在有更先进的CNN架构，AlexNet仍然是学习深度学习计算机视觉的经典案例。
通过本文的代码实现，我们可以在FashionMNIST数据集上复现AlexNet的基本架构，并理解其工作原理。
在实际应用中，AlexNet的一些设计已经过时，如大卷积核(11×11)被小卷积核(3×3)堆叠取代，全连接层被全局平均池化替代等。但理解AlexNet仍然是掌握现代CNN架构的重要基础。