pytorch入门 - AlexNet神经网络

AlexNet背景

AlexNet是2012年由Alex Krizhevsky、Ilya Sutskever和Geoffrey Hinton提出的深度卷积神经网络架构。

它在ImageNet大规模视觉识别挑战赛(ILSVRC)中取得了突破性成绩，将top-5错误率从26%降低到了15.3%，这一成就标志着深度学习在计算机视觉领域的崛起。

AlexNet的成功主要归功于以下几个创新点：

• 使用ReLU(Rectified Linear Unit)作为激活函数，解决了传统Sigmoid/Tanh激活函数在深层网络中的梯度消失问题
• 采用Dropout技术减少全连接层的过拟合
• 使用重叠的最大池化(max pooling)代替传统平均池化，提升了特征不变性
• 首次在CNN中成功应用GPU加速训练，使得训练大规模深层网络成为可能

AlexNet的出现开启了深度学习在计算机视觉领域的新纪元，为后续各种CNN架构(如VGG、ResNet等)的发展奠定了基础。

AlexNet架构

AlexNet原始架构包含8个学习层 - 5个卷积层和3个全连接层。下面是详细的架构描述：

1. ​​输入层​​：接受224×224×3的RGB图像(在FashionMNIST中调整为227×227×1的灰度图像)
2. ​​卷积层1​​：96个11×11的卷积核，步长4，使用ReLU激活
3. ​​最大池化层1​​：3×3池化窗口，步长2
4. ​​卷积层2​​：256个5×5的卷积核，padding=2，使用ReLU激活
5. ​​最大池化层2​​：3×3池化窗口，步长2
6. ​​卷积层3​​：384个3×3的卷积核，padding=1，使用ReLU激活
7. ​​卷积层4​​：384个3×3的卷积核，padding=1，使用ReLU激活
8. ​​卷积层5​​：256个3×3的卷积核，padding=1，使用ReLU激活
9. ​​最大池化层3​​：3×3池化窗口，步长2
10. ​​全连接层1​​：4096个神经元，使用ReLU激活，Dropout=0.5
11. ​​全连接层2​​：4096个神经元，使用ReLU激活，Dropout=0.5
12. ​​全连接层3(输出层)​​：1000个神经元(在FashionMNIST中调整为10个)

参数计算详解

让我们详细计算AlexNet每一层的参数数量：

1. ​​卷积层1​​：

   • 输入：227×227×1
   • 96个11×11卷积核
   • 参数数量 = (11×11×1 + 1偏置)×96 = 11,712

2. ​​卷积层2​​：

   • 输入：27×27×96 (经过池化后尺寸)
   • 256个5×5卷积核
   • 参数数量 = (5×5×96 + 1)×256 = 614,656

3. ​​卷积层3​​：

   • 输入：13×13×256
   • 384个3×3卷积核
   • 参数数量 = (3×3×256 + 1)×384 = 885,120

4. ​​卷积层4​​：

   • 输入：13×13×384
   • 384个3×3卷积核
   • 参数数量 = (3×3×384 + 1)×384 = 1,327,488

5. ​​卷积层5​​：

   • 输入：13×13×384
   • 256个3×3卷积核
   • 参数数量 = (3×3×384 + 1)×256 = 884,992

6. ​​全连接层1​​：

   • 输入：6×6×256 = 9216
   • 输出：4096
   • 参数数量 = (9216 + 1)×4096 = 37,752,832

7. ​​全连接层2​​：

   • 输入：4096
   • 输出：4096
   • 参数数量 = (4096 + 1)×4096 = 16,781,312

8. ​​全连接层3​​：

   • 输入：4096
   • 输出：10(FashionMNIST)
   • 参数数量 = (4096 + 1)×10 = 40,970

总参数数量约为6000万(原始AlexNet)，在FashionMNIST上约为5800万。

代码实现解析

模型实现代码(model.py)

import os
import sys
sys.path.append(os.getcwd())
import torch # 导入PyTorch主库
from torch import nn # 从torch中导入神经网络模块
from torchsummary import summary # 导入torchsummary用于模型结构总结
import torch.nn.functional as F # 导入PyTorch的函数式API，常用于激活函数、dropout等
class AlexNet(nn.Module): # 定义AlexNet模型，继承自nn.Module
 def __init__(self): # 构造函数，初始化网络结构
 super(AlexNet, self).__init__() # 调用父类的构造函数
 self.ReLU = nn.ReLU() # 定义ReLU激活函数，后续多次复用
 self.conv1 = nn.Conv2d(
 in_channels=1, out_channels=96, stride=4, kernel_size=11
 ) # 第一层卷积，输入通道1，输出通道96，步幅4，卷积核11x11
 self.pool1 = nn.MaxPool2d(kernel_size=3, stride=2) # 第一层池化，3x3窗口，步幅2
 self.conv2 = nn.Conv2d(
 in_channels=96, out_channels=256, stride=1, kernel_size=5, padding=2
 ) # 第二层卷积，输入96通道，输出256通道，5x5卷积核，padding=2
 self.pool2 = nn.MaxPool2d(kernel_size=3, stride=2) # 第二层池化，3x3窗口，步幅2
 self.conv3 = nn.Conv2d(
 in_channels=256, out_channels=384, stride=1, kernel_size=3, padding=1
 ) # 第三层卷积，输入256通道，输出384通道，3x3卷积核，padding=1
 self.conv4 = nn.Conv2d(
 in_channels=384, out_channels=384, stride=1, kernel_size=3, padding=1
 ) # 第四层卷积，输入384通道，输出384通道，3x3卷积核，padding=1
 self.conv5 = nn.Conv2d(
 in_channels=384, out_channels=256, stride=1, kernel_size=3, padding=1
 ) # 第五层卷积，输入384通道，输出256通道，3x3卷积核，padding=1
 self.pool3 = nn.MaxPool2d(kernel_size=3, stride=2) # 第三层池化，3x3窗口，步幅2
 self.flatten = nn.Flatten() # 展平层，将多维输入展平成一维
 self.fc1 = nn.Linear(
 in_features=256 * 6 * 6, out_features=4096
 ) # 第一个全连接层，输入256 * 6 * 6，输出4096
 self.fc2 = nn.Linear(
 in_features=4096, out_features=4096
 ) # 第二个全连接层，输入4096，输出4096
 self.fc3 = nn.Linear(
 in_features=4096, out_features=10
 ) # 第三个全连接层，输入4096，输出10（假设10分类）
 def forward(self, x): # 定义前向传播过程
 x = self.conv1(x) # 输入通过第一层卷积
 x = self.ReLU(x) # 激活
 x = self.pool1(x) # 池化
 x = self.conv2(x) # 第二层卷积
 x = self.ReLU(x) # 激活
 x = self.pool2(x) # 池化
 x = self.conv3(x) # 第三层卷积
 x = self.ReLU(x) # 激活
 x = self.conv4(x) # 第四层卷积
 x = self.ReLU(x) # 激活
 x = self.conv5(x) # 第五层卷积
 x = self.ReLU(x) # 激活
 x = self.pool3(x) # 池化
 x = self.flatten(x) # 展平为一维向量
 x = self.fc1(x) # 第一个全连接层
 x = self.ReLU(x) # 激活
 x = F.dropout(x, p=0.5) # dropout防止过拟合，丢弃概率0.5
 x = self.fc2(x) # 第二个全连接层
 x = self.ReLU(x) # 激活
 x = F.dropout(x, p=0.5) # dropout防止过拟合，丢弃概率0.5
 x = self.fc3(x) # 第三个全连接层，输出最终结果
 return x # 返回输出
if __name__ == "__main__": # 如果作为主程序运行
 model = AlexNet() # 实例化AlexNet模型
 print(model) # 打印模型结构
 summary(
 model, input_size=(1, 227, 227), device="cpu"
 ) # 打印模型摘要，输入尺寸为(1, 227, 227)，单通道

训练代码(train.py)

import os # 导入os模块，用于与操作系统交互
import sys # 导入sys模块，用于操作Python运行时环境
sys.path.append(os.getcwd()) # 将当前工作目录添加到sys.path，方便模块导入
import time # 导入time模块，用于计时
from torchvision.datasets import FashionMNIST # 导入FashionMNIST数据集
from torchvision import transforms # 导入transforms用于数据预处理
from torch.utils.data import (
 DataLoader, # 导入DataLoader用于批量加载数据
 random_split, # 导入random_split用于划分数据集
)
import numpy as np # 导入numpy用于数值计算
import matplotlib.pyplot as plt # 导入matplotlib用于绘图
import torch # 导入PyTorch主库
from torch import nn, optim # 导入神经网络模块和优化器
import copy # 导入copy模块用于深拷贝
import pandas as pd # 导入pandas用于数据处理
from AlexNet_model.model import AlexNet # 从自定义模块导入AlexNet模型
def train_val_date_load(): # 定义函数用于加载训练集和验证集
 train_dataset = FashionMNIST(
 root="./data", # 数据存储路径
 train=True, # 加载训练集
 download=True, # 如果数据不存在则下载
 transform=transforms.Compose(
 [
 transforms.Resize(size=227), # 将图片缩放到227x227
 transforms.ToTensor(), # 转换为Tensor
 ]
 ),
 )
 train_date, val_data = random_split(
 train_dataset,
 [
 int(len(train_dataset) * 0.8), # 80%作为训练集
 len(train_dataset) - int(len(train_dataset) * 0.8), # 剩余20%作为验证集
 ],
 )
 train_loader = DataLoader(
 dataset=train_date,
 batch_size=32,
 shuffle=True,
 num_workers=1, # 训练集加载器，批量32，打乱顺序
 )
 val_loader = DataLoader(
 dataset=val_data,
 batch_size=32,
 shuffle=True,
 num_workers=1, # 验证集加载器，批量32，打乱顺序
 )
 return train_loader, val_loader # 返回训练集和验证集加载器
def train_model_process(model, train_loader, val_loader, epochs=10): # 定义训练过程函数
 device = "cuda" if torch.cuda.is_available() else "cpu" # 判断是否有GPU可用
 optimizer = optim.Adam(model.parameters(), lr=0.001) # 使用Adam优化器，学习率0.001
 criterion = nn.CrossEntropyLoss() # 定义交叉熵损失函数
 model.to(device) # 将模型移动到指定设备
 best_model_wts = copy.deepcopy(model.state_dict()) # 保存最佳模型参数
 best_acc = 0.0 # 初始化最佳准确率
 train_loss_all = [] # 记录每轮训练损失
 val_loss_all = [] # 记录每轮验证损失
 train_acc_all = [] # 记录每轮训练准确率
 val_acc_all = [] # 记录每轮验证准确率
 since = time.time() # 记录训练开始时间
 for epoch in range(epochs): # 遍历每个训练轮次
 print(f"Epoch {epoch + 1}/{epochs}") # 打印当前轮次信息
 train_loss = 0.0 # 当前轮训练损失
 train_correct = 0 # 当前轮训练正确样本数
 val_loss = 0.0 # 当前轮验证损失
 val_correct = 0 # 当前轮验证正确样本数
 train_num = 0 # 当前轮训练样本总数
 val_num = 0 # 当前轮验证样本总数
 for step, (images, labels) in enumerate(train_loader): # 遍历训练集
 images = images.to(device) # 将图片移动到设备
 labels = labels.to(device) # 将标签移动到设备
 model.train() # 设置模型为训练模式
 outputs = model(images) # 前向传播，获取输出
 pre_lab = torch.argmax(outputs, dim=1) # 获取预测标签
 loss = criterion(outputs, labels) # 计算损失
 optimizer.zero_grad() # 梯度清零
 loss.backward() # 反向传播
 optimizer.step() # 更新参数
 train_loss += loss.item() * images.size(0) # 累加损失
 train_correct += torch.sum(pre_lab == labels.data) # 累加正确预测数
 train_num += labels.size(0) # 累加样本数
 for step, (images, labels) in enumerate(val_loader): # 遍历验证集
 images = images.to(device) # 将图片移动到设备
 labels = labels.to(device) # 将标签移动到设备
 model.eval() # 设置模型为评估模式
 with torch.no_grad(): # 关闭梯度计算
 outputs = model(images) # 前向传播
 pre_lab = torch.argmax(outputs, dim=1) # 获取预测标签
 loss = criterion(outputs, labels) # 计算损失
 val_loss += loss.item() * images.size(0) # 累加损失
 val_correct += torch.sum(pre_lab == labels.data) # 累加正确预测数
 val_num += labels.size(0) # 累加样本数
 train_loss_all.append(train_loss / train_num) # 记录本轮平均训练损失
 val_loss_all.append(val_loss / val_num) # 记录本轮平均验证损失
 train_acc = train_correct.double() / train_num # 计算本轮训练准确率
 val_acc = val_correct.double() / val_num # 计算本轮验证准确率
 train_acc_all.append(train_acc.item()) # 记录训练准确率
 val_acc_all.append(val_acc.item()) # 记录验证准确率
 print(
 f"Train Loss: {train_loss / train_num:.4f}, Train Acc: {train_acc:.4f}, "
 f"Val Loss: {val_loss / val_num:.4f}, Val Acc: {val_acc:.4f}"
 ) # 打印本轮损失和准确率
 if val_acc_all[-1] > best_acc: # 如果本轮验证准确率更高
 best_acc = val_acc_all[-1] # 更新最佳准确率
 best_model_wts = copy.deepcopy(model.state_dict()) # 保存最佳模型参数
 # model.load_state_dict(best_model_wts) # 可选：恢复最佳模型参数
 time_elapsed = time.time() - since # 计算训练总耗时
 print(
 f"Training complete in {time_elapsed // 60:.0f}m {time_elapsed % 60:.0f}s\n"
 f"Best val Acc: {best_acc:.4f}"
 ) # 打印训练耗时和最佳准确率
 torch.save(model.state_dict(), "./models/alex_net_best_model.pth") # 保存模型参数
 train_process = pd.DataFrame(
 data={
 "epoch": range(1, epochs + 1), # 轮次
 "train_loss_all": train_loss_all, # 训练损失
 "val_loss_all": val_loss_all, # 验证损失
 "train_acc_all": train_acc_all, # 训练准确率
 "val_acc_all": val_acc_all, # 验证准确率
 }
 ) # 构建训练过程数据表
 return train_process # 返回训练过程数据
def matplot_acc_loss(train_process): # 定义绘图函数
 plt.figure(figsize=(12, 5)) # 创建画布，设置大小
 plt.subplot(1, 2, 1) # 激活第1个子图
 plt.plot(
 train_process["epoch"], train_process["train_loss_all"], label="Train Loss"
 ) # 绘制训练损失曲线
 plt.plot(
 train_process["epoch"], train_process["val_loss_all"], label="Val Loss"
 ) # 绘制验证损失曲线
 plt.xlabel("Epoch") # 设置x轴标签
 plt.ylabel("Loss") # 设置y轴标签
 plt.title("Loss vs Epoch") # 设置子图标题
 plt.legend() # 显示图例
 plt.subplot(1, 2, 2) # 激活第2个子图
 plt.plot(
 train_process["epoch"], train_process["train_acc_all"], label="Train Acc"
 ) # 绘制训练准确率曲线
 plt.plot(
 train_process["epoch"], train_process["val_acc_all"], label="Val Acc"
 ) # 绘制验证准确率曲线
 plt.xlabel("Epoch") # 设置x轴标签为Epoch
 plt.ylabel("Accuracy") # 设置y轴标签为Accuracy
 plt.title("Accuracy vs Epoch") # 设置子图标题
 plt.legend() # 显示图例
 plt.tight_layout() # 自动调整子图间距
 plt.ion() # 关闭交互模式，防止图像自动关闭
 plt.show() # 显示所有图像
 plt.savefig("./models/alex_net_output.png") # 保存图片到指定路径
if __name__ == "__main__": # 如果当前脚本作为主程序运行
 traindatam, valdata = train_val_date_load() # 加载训练集和验证集
 result = train_model_process(
 AlexNet(), traindatam, valdata, 10
 ) # 训练模型并获取训练过程数据
 matplot_acc_loss(result) # 绘制训练和验证的损失及准确率曲线

测试代码(test.py)

import os # 导入os模块，用于与操作系统交互
import sys # 导入sys模块，用于操作Python运行时环境
sys.path.append(os.getcwd()) # 将当前工作目录添加到sys.path，方便模块导入
import torch # 导入PyTorch主库
from torch.utils.data import (
 DataLoader, # 导入DataLoader用于批量加载数据
 random_split, # 导入random_split用于划分数据集（本文件未用到）
)
from torchvision import datasets, transforms # 导入torchvision的数据集和数据变换模块
from torchvision.datasets import FashionMNIST # 导入FashionMNIST数据集
from AlexNet_model.model import AlexNet # 从自定义模块导入AlexNet模型
def test_data_load(): # 定义测试数据加载函数
 test_dataset = FashionMNIST(
 root="./data", # 数据存储路径
 train=False, # 加载测试集
 download=True, # 如果数据不存在则下载
 transform=transforms.Compose(
 [
 transforms.Resize(size=227), # 将图片缩放到227x227
 transforms.ToTensor(), # 转换为Tensor
 ]
 ),
 )
 test_loader = DataLoader(
 dataset=test_dataset, batch_size=128, shuffle=True, num_workers=1 # 测试集加载器，批量128，打乱顺序
 )
 return test_loader # 返回测试集加载器
print(test_data_load()) # 打印测试集加载器（调试用）
def test_model_process(model, test_loader): # 定义模型测试过程
 device = "cuda" if torch.cuda.is_available() else "cpu" # 判断是否有GPU可用
 model.to(device) # 将模型移动到指定设备
 model.eval() # 设置模型为评估模式
 correct = 0 # 正确预测样本数
 total = 0 # 总样本数
 with torch.no_grad(): # 关闭梯度计算，加快推理速度
 for images, labels in test_loader: # 遍历测试集
 images, labels = images.to(device), labels.to(device) # 数据移动到设备
 outputs = model(images) # 前向传播，获取输出
 _, predicted = torch.max(outputs, 1) # 获取预测标签
 total += labels.size(0) # 累加总样本数
 correct += torch.sum(predicted == labels.data) # 累加正确预测数
 accuracy = correct / total * 100 # 计算准确率（百分比）
 print(f"Test Accuracy: {accuracy:.2f}%") # 打印测试准确率
if __name__ == "__main__": # 如果当前脚本作为主程序运行
 test_loader = test_data_load() # 加载测试集
 model = AlexNet() # 实例化AlexNet模型
 model.load_state_dict(torch.load("./models/alex_net_best_model.pth")) # 加载训练好的模型参数
 test_model_process(model, test_loader) # 测试模型并输出准确率

总结

AlexNet作为深度学习在计算机视觉领域的里程碑式模型，具有以下重要特点和贡献：

1. ​​架构创新​​：首次证明了深层卷积神经网络在大规模图像识别任务中的有效性
2. ​​技术突破​​：引入了ReLU激活函数、Dropout、局部响应归一化等技术
3. ​​硬件加速​​：开创性地使用GPU加速CNN训练，大幅缩短训练时间
4. ​​开源影响​​：AlexNet的成功推动了深度学习开源框架的发展

尽管现在有更先进的CNN架构，AlexNet仍然是学习深度学习计算机视觉的经典案例。

通过本文的代码实现，我们可以在FashionMNIST数据集上复现AlexNet的基本架构，并理解其工作原理。

在实际应用中，AlexNet的一些设计已经过时，如大卷积核(11×11)被小卷积核(3×3)堆叠取代，全连接层被全局平均池化替代等。但理解AlexNet仍然是掌握现代CNN架构的重要基础。