交互式自定义Alexnet网络结构

Alexnet是经典的CNN网络结构，广泛应用于图像分类相关领域，这里我们基于deepNetworkDesigner进行网络结构查看、分析、编辑，形成自定义的网络结构。

在R2019环境的command窗口输入如下命令，加载网络。

1. >> net = alexnet;
   
2. >> net
   
3. 
   
4. net =
   
5. 
   
6.   SeriesNetwork - 属性:
   
7. 
   
8.     Layers: [25×1 nnet.cnn.layer.Layer]
   
9. 
   
10. >>

复制代码

如果还未配置该工具箱，将提示Add-ons操作，根据相关步骤指引安装即可。

输入如下命令，打开网络编辑对话框。

1. >> deepNetworkDesigner
   
2. >>
   

复制代码

点击Import按钮，读取已加载的网络结构变量，具体如下所示。







可以发现，输入的图片维数为227*227*3，输出的维数为1000*1

我们这里采用最简单的网络编辑策略，将输出类别进行修改，将其设置为5*1的输出，也就是对应于“五类”的图片分类应用。




可以发现，我们这里是对全连接层、输出层进行的修改，这样能够确保输出的分类数与预设的分类数能对应起来。

最后，我们点击智能分析按钮，对网络进行自动检查。


这样，我们就得到了25层的自定义AlexNet，对应于设置的五类别分类应用，点击执行导出按钮，可以将其导出到变量、文件等形式，这里我们将其生成代码，便于自定义修改。


将自动生成的代码进行组合，编辑到m文件，具体如下所示。

1. clc; clear all; close all;
   
2. layers = [
   
3.     imageInputLayer([227 227 3],"Name","data")
   
4.     convolution2dLayer([11 11],96,"Name","conv1","BiasLearnRateFactor",2,"Stride",[4 4])
   
5.     reluLayer("Name","relu1")
   
6.     crossChannelNormalizationLayer(5,"Name","norm1","K",1)
   
7.     maxPooling2dLayer([3 3],"Name","pool1","Stride",[2 2])
   
8.     groupedConvolution2dLayer([5 5],128,2,"Name","conv2","BiasLearnRateFactor",2,"Padding",[2 2 2 2])
   
9.     reluLayer("Name","relu2")
   
10.     crossChannelNormalizationLayer(5,"Name","norm2","K",1)
    
11.     maxPooling2dLayer([3 3],"Name","pool2","Stride",[2 2])
    
12.     convolution2dLayer([3 3],384,"Name","conv3","BiasLearnRateFactor",2,"Padding",[1 1 1 1])
    
13.     reluLayer("Name","relu3")
    
14.     groupedConvolution2dLayer([3 3],192,2,"Name","conv4","BiasLearnRateFactor",2,"Padding",[1 1 1 1])
    
15.     reluLayer("Name","relu4")
    
16.     groupedConvolution2dLayer([3 3],128,2,"Name","conv5","BiasLearnRateFactor",2,"Padding",[1 1 1 1])
    
17.     reluLayer("Name","relu5")
    
18.     maxPooling2dLayer([3 3],"Name","pool5","Stride",[2 2])
    
19.     fullyConnectedLayer(4096,"Name","fc6","BiasLearnRateFactor",2)
    
20.     reluLayer("Name","relu6")
    
21.     dropoutLayer(0.5,"Name","drop6")
    
22.     fullyConnectedLayer(4096,"Name","fc7","BiasLearnRateFactor",2)
    
23.     reluLayer("Name","relu7")
    
24.     dropoutLayer(0.5,"Name","drop7")
    
25.     fullyConnectedLayer(5,"Name","fc_lyq","BiasLearnRateFactor",2)
    
26.     softmaxLayer("Name","prob")
    
27.     classificationLayer("Name","classoutput_lyq")];
    
28. 
    
29. plot(layerGraph(layers));

复制代码

这就是本帖子要网络的结构示意图，下面的帖子我们将结合图片库样本进行训练，测试识别情况。