# alex网络的搭建

**Repository Path**: he-ruixue/experiment4

## Basic Information

- **Project Name**: alex网络的搭建
- **Description**: No description available
- **Primary Language**: Unknown
- **License**: MulanPSL-2.0
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 1
- **Created**: 2024-05-08
- **Last Updated**: 2024-09-09

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# AlexNet网络构建实验报告

### 一、实验目的

本实验旨在通过构建和训练AlexNet网络，深入理解卷积神经网络（CNN）的基本结构和功能，并探究其在图像分类任务中的性能。同时，通过实验过程，加深对深度学习框架（如PyTorch）的使用和理解。

### 二、实验环境

    操作系统：Windows 10
    深度学习框架：PyTorch
    编程语言：Python
    硬件环境：GPU（NVIDIA）

### 三、AlexNet网络结构

AlexNet网络由五个卷积层、三个全连接层和三个ReLU激活函数组成，同时还包括两个最大池化层和一个Dropout层。具体结构如下：

    第一个卷积层：使用96个11x11的卷积核，步长为4，填充为2，输出特征图大小为55x55。
    第一个ReLU层：对第一个卷积层的输出进行非线性变换。
    第一个最大池化层：使用3x3的池化窗口，步长为2，输出特征图大小为27x27。
    第二个卷积层：使用256个5x5的卷积核，步长为1，填充为2，输出特征图大小为27x27。
    第二个ReLU层：对第二个卷积层的输出进行非线性变换。
    第二个最大池化层：使用3x3的池化窗口，步长为2，输出特征图大小为13x13。
    第三、四、五个卷积层：分别使用384、384和256个3x3的卷积核，步长为1，填充为1，输出特征图大小分别为13x13、13x13和13x13。
    第三个ReLU层：对第五个卷积层的输出进行非线性变换。
    Dropout层：在训练过程中，以一定的概率（如0.5）将神经元的输出置为0，以防止过拟合。
    第一个全连接层：包含4096个神经元，对卷积层输出的特征图进行全局平均池化后，展平并连接到该层。
    第四个ReLU层：对第一个全连接层的输出进行非线性变换。
    第二个全连接层：同样包含4096个神经元。
    第五个ReLU层：对第二个全连接层的输出进行非线性变换。
    输出层：使用softmax函数进行分类，输出类别数为实验数据集中的类别数。

### 四、实验过程

    
数据加载：选择适当的图像分类数据集，对数据进行预处理。
![输入图片说明](%E5%BE%AE%E4%BF%A1%E5%9B%BE%E7%89%87_20240508202014.png)
![输入图片说明](%E5%BE%AE%E4%BF%A1%E5%9B%BE%E7%89%87_20240508202032.png)
    
构建网络模型：使用PyTorch框架构建AlexNet网络模型，并定义损失函数（交叉熵损失）和优化器。
![输入图片说明](%E5%BE%AE%E4%BF%A1%E5%9B%BE%E7%89%87_20240508202052.png)
![输入图片说明](%E5%BE%AE%E4%BF%A1%E5%9B%BE%E7%89%87_20240508202108.png)
    
训练网络：使用训练数据对网络进行迭代训练，记录训练过程中的损失值和准确率等指标。
![输入图片说明](%E5%BE%AE%E4%BF%A1%E5%9B%BE%E7%89%87_20240508203726.png)
![输入图片说明](%E5%BE%AE%E4%BF%A1%E5%9B%BE%E7%89%87_20240508203736.png)
![输入图片说明](%E5%BE%AE%E4%BF%A1%E5%9B%BE%E7%89%87_20240508203745.png)

评估网络：使用测试数据对训练好的网络进行评估，计算测试准确率等指标。
![输入图片说明](%E5%BE%AE%E4%BF%A1%E5%9B%BE%E7%89%87_20240508203752.png)
![输入图片说明](%E5%BE%AE%E4%BF%A1%E5%9B%BE%E7%89%87_20240508203804.png)
![输入图片说明](%E5%BE%AE%E4%BF%A1%E5%9B%BE%E7%89%87_20240508203813.png)

### 五、实验结果与分析

    训练过程分析：通过观察训练过程中的损失值和准确率等指标，分析网络的训练效果。如果损失值逐渐降低且准确率逐渐提高，则说明网络正在逐渐学习到数据的特征。
    测试结果分析：根据测试准确率等指标，评估网络在图像分类任务中的性能。如果测试准确率较高，则说明网络具有较强的泛化能力。
    过拟合问题探讨：如果出现过拟合问题，可以使用Dropout技术进行缓解。