深度学习入门之第五章：经典卷积神经网络( 六 ) 5.1LeNet-5LeNet-5是由有着卷积神经网

通过model.summary()给出的模型概要表如图5.5所示。下面再次复习有关神经网络参数个数的计算。
（1）第一层卷积核的大小为11×11 ，消耗的参数个数为（11×11×3=1）×96=34944（加1的原因是多一个截距项，乘以96是因为总共有96个卷积核）。
（2）第二层为最大值池化，不消耗任何参数。
（3）该层的输入为第（2）层池化的输出，为27×27×96的立体矩阵，在这个基础上做规格大小为5×5的卷积，消耗的参数个数为（5×5×96+1）×256=614656 。
再之后的参数个数，读者可以自行计算并与图5.5中的结果对比。这样的练习对于理解神经网络的结构是非常有帮助的。
文章插图
图5.5 AlexNet模型概要表
04
AlexNet编译运行
AlexNet的模型编译设定和LeNet-5类似，因为处理的都是分类问题，损失函数指定为categorical_crossentropy ，优化方法为Adam（学习速率指定为0.001），评价指标为预测精度。作为示例，进行20个epoch循环，从结果可以看到，进行第10个epoch时外样本精度已经有99% ，效果非常不错。具体如代码示例5-8 。
代码示例5-8：AlexNet模型编译与拟合
1from Keras.optimizers import Adam2model.compile(loss='categorical_crossentropy',optimizer=Adam(lr=0.001),metrics=['accuracy'])3model.fit_generator(train_generator,epochs=20,validation_data=http://kandian.youth.cn/index/validation_generator)输出：
文章插图
以上就是今天为大家介绍的两个经典卷积神经网络模型，下周我们继续更新其他经典的CNN模型。欢迎大家同步收看狗熊会慕课平台的深度学习课程，里面有熊大的精彩讲解！