虽然卷积神经网络之前已存，但AlexNet网络的实现加快了卷积深度神经网络的发展，这一点让AlexNet居功至伟。与之前的一篇LeNet的前向检测的计算相比，AlexNet网络的前向计算要复杂得多，共有五个卷积层和三个全连接层。还有两个额外的Local Response Normalization的运算，以进一步增强神经网络的准确度，用numpy实现起来也颇费周折。本文提到的相关Python代码可在https://github.com/LinkYe/LearnDeep上获得。
首先，笔者缺少环境训练AlexNet，模型文件是caffe官网下载的：http://dl.caffe.berkeleyvision.org/bvlc_alexnet.caffemodel。执行alexnet-weight.py将该模型文件重写为NPZ文件，在创建AlexNetCM对象时读取它：
![\"\"](\"/images/csdn/1545554222y15ME45554M222.png\")
读取的五个卷积核需要进行翻转，这一点在上一篇文章也提到过，这里使用了flipReverse()方法。之后为AlexNetCM类实现了卷积/池化/LRN等方法，最后着重是前向检测的运算过程：
![\"\"](\"/images/csdn/154555422315O45j55T422T3.png\")
与LeNet的前向检测运算相比，AlexNet网络的运算的卷积有很多的不同。其一是卷积的过程可能会分成两组，如图中的ngroup=2，还有第一层卷积的步长为4，如图中的stride=4。另外，后面四个卷积层的模式是SAME，即输入的图像大小与卷积的输出大小是相同的，因此指定了padLen为非零。
为了测试我们的AlexNetCM类的功能，在命令行执行python3 -i caffe-AlexNet.py，会对一张图片调用AlexNetCM及caffe检测，对比结果；详细的实现可参见caffe-AlexNet.py的最后五十多行。下面是笔者对一张图片的检测结果：
![\"\"](\"/images/csdn/1545554224q10545554P22H4.png\")
令人惊诧的是，结果完全相同！这很让人欣慰——不过，由于LRN的性能很低，笔者实现的前向检测需要几十秒的时间才能完成。在上图执行完成后，可以手动输入detect_img进行检测。至此通过“重复造车”，我们基于numpy实现了AlexNet网络的前向检测的运算，进一步加深了对卷积深度神经网络的理解。
版权声明
本文仅代表作者观点，不代表百度立场。
本文系作者授权百度百家发表，未经许可，不得转载。
