其具体的卷积计算步骤如下所示：
Alexnet有一个特殊的计算层，LRN层，做的事是对当前层的输出结果做平滑处理。下面是我画的示意图：
前后几层（对应位置的点）对中间这一层做一下平滑约束，计算方法是：
具体打开Alexnet的每一阶段（含一次卷积主要计算）来看[2][3]：
（1）con- relu - pooling - LRN
具体计算都在图里面写了，要注意的是input层是227*227，而不是paper里面的224*224，这里可以算一下，主要是227可以整除后面的conv1计算，224不整除。如果一定要用224可以通过自动补边实现，不过在input就补边感觉没有意义，补得也是0。
（2）conv- relu - pool - LRN
和上面基本一样，唯独需要注意的是group=2，这个属性强行把前面结果的featuremap分开，卷积部分分成两部分做。
（3）conv- relu
（4）conv-relu
（5）conv- relu - pool
（6）fc- relu - dropout
这里有一层特殊的dropout层，在alexnet中是说在训练的以1/2概率使得隐藏层的某些neuron的输出为0，这样就丢到了一半节点的输出，BP的时候也不更新这些节点。
（7）fc - relu - dropout
（8）fc- softmax