AlexNet網路是AlexNet在2012年ImageNet大賽上一舉奪魁隨後一炮而紅，開啟了深度學習時代的網路。Alexnet一共包含8個層，其中5個卷積層，3個全連線層，用softMAx實現1000類分類。

AlexNet網路結構圖：

AlexNet網路模型特性：

• 使用ReLU非線性函式作為啟用函式，大大的加快了訓練時間，並且這使得ReLU流行起來
• 在池化層採用了重疊取樣的方法，有效的防止過擬合

• 引入新的Dropout方法，使Dropout的神經元不再進行前向傳播並且不參與反向傳播，減少網路訓練代價。結果在各個資料集的結果在翻譯中都有呈現

• 基於GPU跨GPU並行性好的特點，訓練方式採用多GPU訓練

AlexNet網路各個層的引數總圖（來自網易雲課堂吳恩達老師的課程截圖）：

注：卷積核的厚度=被卷積的影象的通道數 
        卷積核的個數=卷積操作後輸出的通道數 

輸入層：

C1：使用96個的卷積核進行卷積核運算，卷積後生成的畫素層，該卷積核為，步長4。經過ReLU層後像素層維度不發生改變，然後經過一個池化層（卷積核為，步長為2），得到的畫素層。如下圖所示：

C2流程圖：

C3流程圖：

C4的流程圖：

C5流程圖：

fc6全連線流程圖：

fc7全連線流程圖：

fc8全連線流程圖：