完整工程代码点击这里，如果对你的学习有所帮助，欢迎给个star，谢谢~
一、AlexNet网络模型
AlexNet算是继LeNet-5后的又一个很经典的模型，在论文《ImageNet Classification with Deep Convolutional Neural Networks》被提出，并且该网络在2012年的ImageNet竞赛中取得了冠军，作者是多伦多大学的Alex Krizhevsky等人。算是曾经风靡一时的模型了。
下图为AlexNet网络模型，来源于原始论文：
严格意义上的AlexNet模型实际上是通过某种联系方式分别在两个GPU上跑的，当然我们实际操作按照作者对模型的描述可以只实现一个在一个GPU上跑模型也可，效果也是非常不错的。
值得一提的是，LeNet-5我们描述到是针对单通道的灰度图像，而AlexNet一开始设计是针对三通道（彩色）图像，当然你也可以修改模型的输入形状，让AlexNet训练单通道灰度图像（同理LeNet-5也可以训练三通道，只是LeNet-5的作者一开始主要为训练单通道灰色图像，修改模型输入形状即可）。
下面为模型每层参数的详细描述：
第一层为卷积层，卷积核个数为96，原始论文中的两个GPU分别计算48个卷积核， 卷积核的尺寸为11 x 11，步长stride = 4x4, 不扩展边界所以padding为valid，后面直接跟着池化层，使用尺寸为3×3并且步长为2x2的池化单元；输入图像尺寸为227x227x3。
第二层为卷积层，卷积核个数为256，原始论文中的两个GPU分别计算128个卷积核，卷积核的尺寸为 5 × 5，padding = 2, 步长stride = 1x1; 然后做 LRN（局部响应归一化）， 后面直接跟着池化层，使用3×3步长为2x2的池化单元；
第三层为卷积层，卷积核个数为384，卷积核尺寸为3 × 3，步长stride=1x1，padding = 1，该层没有做LRN和Pool池化；
第四层为卷积层，卷积核个数为384，卷积核尺寸为3 × 3，步长stride=1x1，padding = 1，该层没有做LRN和Pool池化；
第五层为卷积层，卷积核个数为256，卷积核尺寸为3 × 3，步长stride=1x1，padding = 1，后面直接跟着池化层，使用3×3步长为2的池化单元；
第六、七层是全连接层，每一层的神经元的个数为4096；
第八层是输出层，神经元个数为类别数目，采用softmax映射输出。
该模型隐层部分都采用的ReLU激活函数。
常见的激活函数（Sigmoid，tanh双曲正切，ReLU修正线性单元，Leaky ReLU函数）。
二、keras实现AlexNet
按照上面对每层的描述，直接搭建即可。
PS:第二层采用的LRN局部响应归一化在后来的VGG作者的反复实验证明没啥用，所以这里直接舍去了。
input_shape=(227,227,3)#3通道图像数据
num_class=10#类别数目
model = Sequential([
#第一层
Conv2D(96,(11,11),padding='valid',strides=(4,4),activation='relu',input_shape=input_shape),#输入图像尺寸为32x32
BatchNormalization(),#加入批标准化优化模型
#后面直接跟着池化层
MaxPooling2D(pool_size=(3,3),strides=(2,2)),
Dropout(0.5),#加入dropout防止过拟合
#第二层
Conv2D(256,(5,5),padding='same',strides=(1,1),activation='relu'),
BatchNormalization(),
#后面直接跟着池化层
MaxPooling2D(pool_size=(3,3),strides=(2,2)),
Dropout(0.5),#加入dropout防止过拟合
#第三层
Conv2D(384,(3,3),padding='same',strides=(1,1),activation='relu'),
BatchNormalization(),
Dropout(0.5),#加入dropout防止过拟合
#第四层
Conv2D(384,(3,3),padding='same',strides=(1,1),activation='relu'),
BatchNormalization(),
Dropout(0.5),#加入dropout防止过拟合
#第五层
Conv2D(256,(3,3),padding='same',strides=(1,1),activation='relu'),
BatchNormalization(),
#后面直接跟着池化层
MaxPooling2D(pool_size=(3,3),strides=(2,2)),
Dropout(0.5),#加入dropout防止过拟合
#展开所有二维数据矩阵为一维数据核全连接层对接
Flatten(),
#第六层为全连接层，4096个节点
Dense(4096,activation='relu'),
BatchNormalization(),
Dropout(0.5),#加入dropout防止过拟合
#第七层为全连接层，4096个节点；
Dense(4096,activation='relu'),
BatchNormalization(),
Dropout(0.5),#加入dropout防止过拟合
#第八层为输出层，激活函数为softmax。
Dense(num_class,activation='softmax')
])
model.summary()#显示模型结构
打印的结构图如下：
Model: “sequential_1”
Layer (type) Output Shape Param #
conv2d_1 (Conv2D) (None, 35, 35, 96) 34944
batch_normalization_1 (Batch (None, 35, 35, 96) 384
max_pooling2d_1 (MaxPooling2 (None, 17, 17, 96) 0
dropout_1 (Dropout) (None, 17, 17, 96) 0
conv2d_2 (Conv2D) (None, 17, 17, 256) 614656
batch_normalization_2 (Batch (None, 17, 17, 256) 1024
max_pooling2d_2 (MaxPooling2 (None, 8, 8, 256) 0
dropout_2 (Dropout) (None, 8, 8, 256) 0
conv2d_3 (Conv2D) (None, 8, 8, 384) 885120
batch_normalization_3 (Batch (None, 8, 8, 384) 1536
dropout_3 (Dropout) (None, 8, 8, 384) 0
conv2d_4 (Conv2D) (None, 8, 8, 384) 1327488
batch_normalization_4 (Batch (None, 8, 8, 384) 1536
dropout_4 (Dropout) (None, 8, 8, 384) 0
conv2d_5 (Conv2D) (None, 8, 8, 256) 884992
batch_normalization_5 (Batch (None, 8, 8, 256) 1024
max_pooling2d_3 (MaxPooling2 (None, 3, 3, 256) 0
dropout_5 (Dropout) (None, 3, 3, 256) 0
flatten_1 (Flatten) (None, 2304) 0
dense_1 (Dense) (None, 4096) 9441280
batch_normalization_6 (Batch (None, 4096) 16384
dropout_6 (Dropout) (None, 4096) 0
dense_2 (Dense) (None, 4096) 16781312
batch_normalization_7 (Batch (None, 4096) 16384
dropout_7 (Dropout) (None, 4096) 0
dense_3 (Dense) (None, 10) 40970
Total params: 30,049,034
Trainable params: 30,029,898
Non-trainable params: 19,136
三、AlexNet训练人脸识别数据集GTSRB
关于数据集，GTSRB数据集是德国交通标志数据集，也是三通道图像，内容丰富，庞大，比较适合训练模型，下载连接。
https://sid.erda.dk/public/archives/daaeac0d7ce1152aea9b61d9f1e19370/published-archive.html
找到这个，点击下载。
共43个类别，每个子文件夹下都有对应的一种交通标志。
AlexNet训练代码
from unicodedata import normalize
import numpy as np
import matplotlib.pyplot as plt
import pandas as pd
from collections import Counter
from sklearn.preprocessing import MinMaxScaler
from sklearn.model_selection import train_test_split
from sklearn import preprocessing
from sklearn.metrics import accuracy_score
from keras.models import Sequential
from keras.layers import Dense, Dropout, Flatten
from keras.layers.convolutional import Conv2D, MaxPooling2D
import keras
from keras.layers import Dense,MaxPool2D,Conv2D,Flatten,Dropout,BatchNormalization,Activation,Add,\
Input,ZeroPadding2D,MaxPooling2D,AveragePooling2D
from keras.initializers import glorot_uniform
from keras.models import Sequential,Model
from keras.optimizers import Adam
import os
from tqdm import tqdm
from input_data import load_cifar10#导入加载cifat数据的函数
import cv2
X_data = []
Y_data = []
input_shape=(227,227,3)#3通道图像数据
num_class = 43#数据类别数目
path='Dataset/GTSRB'
for file in tqdm(os.listdir(path)):
lab=int(file)
for photo_file in os.listdir(path+'/'+file):
if photo_file[0]=='G':
continue
photo_file_path=path+'/'+file+'/'+photo_file
img = cv2.imread(photo_file_path,1)
img = cv2.resize(img,(input_shape[0],input_shape[1]))
X_data.append(img)
Y_data.append(lab)
print(len(X_data))
print(Counter(Y_data))
X_data=np.array(X_data)
X_data=X_data/255.0
Y_data=np.array(Y_data)
# 对训练集进行切割，然后进行训练
train_x,test_x,train_y,test_y = train_test_split(X_data,Y_data,test_size=0.2)
lb=preprocessing.LabelBinarizer().fit(np.array(range(num_class)))#对标签进行ont_hot编码
train_y=lb.transform(train_y)#因为是多分类任务，必须进行编码处理
test_y=lb.transform(test_y)
model = Sequential([
#第一层
Conv2D(96,(11,11),padding='valid',strides=(4,4),activation='relu',input_shape=input_shape),#输入图像尺寸为32x32
BatchNormalization(),#加入批标准化优化模型
#后面直接跟着池化层
MaxPooling2D(pool_size=(3,3),strides=(2,2)),
Dropout(0.5),#加入dropout防止过拟合
#第二层
Conv2D(256,(5,5),padding='same',strides=(1,1),activation='relu'),
BatchNormalization(),
#后面直接跟着池化层
MaxPooling2D(pool_size=(3,3),strides=(2,2)),
Dropout(0.5),#加入dropout防止过拟合
#第三层
Conv2D(384,(3,3),padding='same',strides=(1,1),activation='relu'),
BatchNormalization(),
Dropout(0.5),#加入dropout防止过拟合
#第四层
Conv2D(384,(3,3),padding='same',strides=(1,1),activation='relu'),
BatchNormalization(),
Dropout(0.5),#加入dropout防止过拟合
#第五层
Conv2D(256,(3,3),padding='same',strides=(1,1),activation='relu'),
BatchNormalization(),
#后面直接跟着池化层
MaxPooling2D(pool_size=(3,3),strides=(2,2)),
Dropout(0.5),#加入dropout防止过拟合
#展开所有二维数据矩阵为一维数据核全连接层对接
Flatten(),
#第六层为全连接层，4096个节点
Dense(4096,activation='relu'),
BatchNormalization(),
Dropout(0.5),#加入dropout防止过拟合
#第七层为全连接层，4096个节点；
Dense(4096,activation='relu'),
BatchNormalization(),
Dropout(0.5),#加入dropout防止过拟合
#第八层为输出层，激活函数为softmax。
Dense(num_class,activation='softmax')
])
model.summary()#显示模型结构
#编译模型,定义损失函数loss，采用的优化器optimizer为Adam
model.compile(optimizer='adam',loss='categorical_crossentropy',metrics=['accuracy'])
#开始训练模型
history=model.fit(train_x,train_y,batch_size = 128,epochs=50,validation_data=(test_x, test_y))#训练1000个批次，每个批次数据量为126
#绘制训练过程的acc和loss
plt.plot(history.history['accuracy'])
plt.plot(history.history['val_accuracy'])
plt.legend(['acc', 'val_acc'], loc='upper left')
plt.title('AlexNet Acc')
plt.xlabel("Epoch")#横坐标名
plt.ylabel("Accuracy")#纵坐标名
plt.show()
#图像保存方法
plt.savefig('AlexNet acc.png')
plt.figure()
plt.plot(history.history['loss'])
plt.plot(history.history['val_loss'])
plt.legend(['loss', 'val_loss'], loc='upper left')
plt.title('AlexNet Loss')
plt.xlabel("Epoch")#横坐标名
plt.ylabel("Loss")#纵坐标名
plt.show()
#图像保存方法
plt.savefig('AlexNet loss.png')
训练结果：
希望我的分享对你的学习有所帮助，如果有问题请及时指出，谢谢~