从AlexNet到实战：深度卷积网络在图像识别中的入门指南

1次阅读

没有评论

共计 2376 个字符，预计需要花费 6 分钟才能阅读完成。

在深度学习兴起之前，传统的图像识别方法主要依赖于手工提取特征，如 SIFT、HOG 等算法。这些方法存在几个明显的局限性：

特征表达能力有限：手工设计的特征难以捕捉图像中的高层语义信息。
泛化能力差：针对特定任务设计的特征在其他任务上表现不佳。
计算复杂度高：特征提取过程通常需要复杂的预处理和计算。

2012 年，AlexNet 在 ImageNet 图像识别大赛中一举夺冠，准确率远超传统方法，标志着深度学习在计算机视觉领域的崛起。

AlexNet 的成功并非偶然，其架构设计在当时具有多项创新：

深度卷积网络：首次使用 8 层网络（5 个卷积层 + 3 个全连接层），大幅提升了特征表达能力。
ReLU 激活函数：相比传统的 sigmoid/tanh，ReLU 能有效缓解梯度消失问题。
局部响应归一化(LRN)：增强模型的泛化能力（后续研究发现 Dropout 更有效）。
重叠池化：通过步长小于池化核尺寸，提升特征的位置不变性。
GPU 并行计算：首次利用双 GPU 训练，大幅缩短训练时间。

AlexNet 包含 5 个卷积层，每层的设计思路如下：

第一层：96 个 11×11 卷积核，步长 4，输入 224×224×3 图像
第二层：256 个 5×5 卷积核
第三层：384 个 3×3 卷积核（不接池化层）
第四层：384 个 3×3 卷积核
第五层：256 个 3×3 卷积核

采用最大池化而非平均池化，保留更强特征
池化核 3×3，步长 2（实现重叠池化）

3 个全连接层（4096-4096-1000 神经元）
最后 1000 个神经元对应 ImageNet 的 1000 个类别
在前两个全连接层后加入 Dropout（概率 0.5），防止过拟合

import tensorflow as tf
from tensorflow.keras import layers, models

def build_alexnet(input_shape=(227, 227, 3), num_classes=1000):
    model = models.Sequential([
        # 第一卷积层
        layers.Conv2D(96, (11,11), strides=4, activation='relu', input_shape=input_shape),
        layers.BatchNormalization(),
        layers.MaxPooling2D((3,3), strides=2),

        # 第二卷积层
        layers.Conv2D(256, (5,5), padding='same', activation='relu'),
        layers.BatchNormalization(),
        layers.MaxPooling2D((3,3), strides=2),

        # 第三至第五卷积层
        layers.Conv2D(384, (3,3), padding='same', activation='relu'),
        layers.Conv2D(384, (3,3), padding='same', activation='relu'),
        layers.Conv2D(256, (3,3), padding='same', activation='relu'),
        layers.MaxPooling2D((3,3), strides=2),

        # 展平并连接全连接层
        layers.Flatten(),
        layers.Dense(4096, activation='relu'),
        layers.Dropout(0.5),
        layers.Dense(4096, activation='relu'),
        layers.Dropout(0.5),
        layers.Dense(num_classes, activation='softmax')
    ])
    return model

# 模型编译
model = build_alexnet()
model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])

注意：原始 AlexNet 输入为 227×227，但现代实现常使用 224×224 以适应更多数据集。

在 ImageNet 2012 比赛上：