AlexNet分类图片全纪录

###背景

因为工作需要，之前用谷歌网络InceptionV3虽然分类图片成功，并且效果也很好，但是因为谷歌网络是并行网络，说是22层网络，实际上有152层，在项目中表现为：准确率很高，但是CPU处理预测一幅图片需要0.7s，耗时较多。
考虑到AlexNet是只有8层的轻量级网络，也比较经典，尝试使用分类。事实上，使用AlexNet做迁移学习目前是非常少的，之前深度学习开始火的时候，倒是比较多，因为当时受限于算力，所以还是有很多人做了，但是也都是基于Caffe
这次，在算力已经大力发展的现在，用AlexNet做迁移学习意义不大。因此，直接用AlexNet做分类任务

AlexNet

解读AlexNet

AlexNet的解读已经非常多，贴个原文链接吧，然后贴个中英文对照版的博客.下面是一些公认的AlexNet所做的贡献：

alexnet中使用relu作为cnn的激活函数，验证效果远远好于sigmoid，解决了网络较深时的梯度弥散问题，并且加快了训练速度，虽然很早relu激活函数就存在了，但是alexnet成功的把它发扬光大。
训练时使用dropout来避免模型过拟合，dropout同样是已存在的技术，但是在alexnet验证了它的有效性，虽然之后有了BN之后一般不再使用dropout了
使用最大池化，避免了平均池化的模糊效果（突出重点特征）
提出了LRN层，对局部神经元的活动创建竞争机制，使得其中响应较大的值变得相对更大，并抑制其他较小的神经元，增强了模型的泛化能力
基于GPU使用CUDA加速神经网络的训练

#用TensorFlow实现AlexNet网络
首先，感谢这位前辈的博客，基本代码都是来自于他，然后做了稍许改变。里面的注释也都很详细，可以根据自己的需求来修改。

重点内容-调参

我是做二分类任务，一类NG图片和二类OK图片各750张左右。即使AlexNet自身已经做了dropout防止过拟合，实际上和使用Inception做迁移学习比，AlexNet仍然存在着过拟合的问题。从头开始做二分类任务表现：为训练集上，batchSize设置8的时候，训练最后在训练集的准确率基本都是100%（8个里面对8个），但是在测试集上，只有90%的正确率。为此，我做了以下尝试来提高准确率：

增加训练次数，调整batchSize大小，最后表现如下:
增加其他种类的图片，提高模型的泛化能力，增加两类图片，guitar，motorbike各五百张，这样训练次数增加到8000次，批次大小8，测试结果出乎意料地提高很多，达到97.9%：
增加OK和NG的训练样本个数，到各1200张图片，训练次数到40000，批次大小设置为2，最后预测结果准确率95.8%
再次增加图片种类，这次添加flowers，animal和airplane类别，共训练7类，即使是用AlexNet迁移学习，也只不过是先在cifar-10数据集上先分类了10类而已，基本差别不大，通过多次调整批次大小，增减训练周期，得到模型。但是最终结果，准确率也只有97.9%不再增加。