AlexNet是深度学习网络篇学习的基础网络，这篇文章在MNIST上做一次实现。在MNIST上实现AlexNet的代码有很多大大们都写过，这篇文章分享一下我们自己写的时候有些小体会。
写代码之前的一点儿小准备
要搭建一个深度学习的网络，我们首先要了解数据集！
整体来说，MNIST的AlexNet的实现（分类问题） MNIST的输入大小是28x28，手写数字0-9，共10类。如果有小伙伴想更深入的了解MNIST数据集，可以参考我的数据集的博客机器学习数据集篇——MNIST数据集
在我们了解了数据集后，我们再要思考的问题就是我们怎么搭建网络。我们可以把搭建网络可以比作盖房子，我们有了数据集，就相当于我们已经有了盖房子的水泥等原材料；我们现在要开始画图纸了，决定这个房子是盖一层还是摩天大厦，每一层房子里都放些什么东西，这也就说明我们要考虑网络建几层，每层都有些什么布置和考量。
对于MNIST上的AlexNet来说，网络就是5层卷积层，3层全连接层（含softmax层），输入是28x28的图像文件，输出是10个类；在卷积层中的操作是卷积—激活—池化（可选）—标准化（可选）；在全连接层上我们考虑用多少个神经元来训练；还要定义损失函数和优化器等等。
综上所述，我们可以把构建网络模型分成四个步骤：
1.数据集的加载（了解数据集、获取数据集、明确输入等）
2.定义网络模型（明确要实现什么问题‘是分类or回归’、定义网络模型的结构、定义损失函数和优化器、定义评估函数等）
3.训练模型（初始化变量、在训练集上训练）
4.评估模型（在测试集上测试，输出损失）
AlexNet在MNIST的实现过程
首先我们要做一些导入的准备，比如说tensorflow，MNIST啥的。
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets("MNIST_data",one_hot=True)
定义网络的超参数和基础参数
learning_rate = 0.001
training_iters = 20000
batch_size = 128 # 批处理大小128，每一次128张图片进行训练
display_step = 10 # 每10个记录打印一次
n_input = 784 #28x28
n_classes = 10
dropout = 0.75
构建网络模型（因为卷积函数、池化函数和标准化我们用的比较多，把它们封装起来，后续的可以直接调用）
def conv2d(name,x,W,b,strides=1):
x = tf.nn.conv2d(x,W,strides=[1,strides,strides,1],padding='SAME') # tf.nn.conv2d函数
x = tf.nn.bias_add(x,b) # 加一个bias
return tf.nn.relu(x,name=name) # 做激活
def maxpool2d(name,x,k=2):
return tf.nn.max_pool(x,ksize=[1,k,k,1],strides=[1,k,k,1],padding='SAME',name=name)
def norm(name,l_input,lsize):
return tf.nn.lrn(l_input,lsize,bias=1.0,alpha=0.001/9.0,beta=0.75,name=name)
之后需要定义网络参数W,b,这个可以自己设置，但是每次要经过推导，可以直接用AlexNet的网络参数。
再之后，我们就可以定义完整的AlexNet网络了，附上def代码：
def alex_net(x,weights,biases,dropout):
x = tf.reshape(x,shape=[-1,28,28,1]) # 定义输入
conv1 = conv2d('conv1',x,weights['wc1'],biases['bc1']) # 第一层卷积
pool1 = maxpool2d('pool1',conv1,k=2)
norm1 = norm('norm1',pool1,lsize=4)
conv2 = conv2d('conv2',norm1,weights['wc2'],biases['bc2']) # 第二层卷积
pool2 = maxpool2d('pool2',conv2,k=2)
norm2 = norm('norm2',pool2,lsize=4)
conv3 = conv2d('conv3',norm2,weights['wc3'],biases['bc3']) # 第三层卷积
norm3 = norm('norm3',conv3,lsize=4)
conv4 = conv2d('conv4',norm3,weights['wc4'],biases['bc4']) # 第四层卷积
norm4 = norm('norm4',conv4,lsize=4)
conv5 = conv2d('conv5',norm4,weights['wc5'],biases['bc5']) # 第五层卷积
pool5 = maxpool2d('pool5',conv5,k=2)
norm5 = norm('norm5',pool5,lsize=4)
fc1 = tf.reshape(norm5,[-1,weights['wd1'].get_shape().as_list()[0]]) # 第一层全连接层
fc1 = tf.nn.relu(tf.matmul(fc1,weights['wd1'])+biases['bd1'])
fc1 = tf.nn.dropout(fc1,dropout) # dropout
fc2 = tf.reshape(fc1,[-1,weights['wd2'].get_shape().as_list()[0]]) # 第二层全连接层
fc2 = tf.nn.relu(tf.matmul(fc2,weights['wd2'])+biases['bd2'])
fc2 = tf.nn.dropout(fc2,dropout)
out = tf.add(tf.matmul(fc2,weights['out']),biases['out']) # softmax层
return out
定义完了AlexNet后，我们要构建模型，包括输出、定义损失函数和优化器，还有评估函数。
# 构建模型
pred = alex_net(x,weights,biases,keep_prob)
# 定义损失函数和优化器
cost = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits_v2(logits = pred, labels = y))
optimizer = tf.train.AdamOptimizer(learning_rate=learning_rate).minimize(cost)
# 测试网络
correct_pred = tf.equal(tf.argmax(pred,1), tf.argmax(y,1))
#先将correct_pred中数据格式转换为float32类型
#求correct_pred中的平均值，因为correct_pred中除了0就是1，因此求平均值即为1的所占比例，即正确率
accuracy = tf.reduce_mean(tf.cast(correct_pred, tf.float32))
至此，我们所有构建网络的部分就都完成了，我们就开始要在训练集上训练啦~
# 初始化所有的共享变量
init = tf.global_variables_initializer()
# 在训练集上开始训练
with tf.Session() as sess:
sess.run(init)
step = 1
while step * batch_size < training_iters:
batch_xs, batch_ys = mnist.train.next_batch(batch_size) # batch_xs为图片数据 ； batch_ys 为标签值
sess.run(optimizer, feed_dict={x: batch_xs, y: batch_ys, keep_prob: dropout})
if step % display_step == 0:
# 计算精度
acc = sess.run(accuracy, feed_dict={x: batch_xs, y: batch_ys, keep_prob: 1.})
# 计算损失值
loss = sess.run(cost, feed_dict={x: batch_xs, y: batch_ys, keep_prob: 1.})
print ("Iter " + str(step*batch_size) + ", Minibatch Loss = " + "{:.6f}".format(loss) + ", Training Accuracy = " + "{:.5f}".format(acc))
step += 1
print ("Optimization Finished!")
在测试集上评估模型，输出精度（和损失）。
# 计算测试集上的精度
print ("Testing Accuracy:", sess.run(accuracy, feed_dict={x: mnist.test.images[:256], y: mnist.test.labels[:256], keep_prob: 1.}))
在MNIST上的AlexNet就实现啦！
MNIST是个很好用的数据集，小伙伴们也可以用TensorFlow在MNIST上实现更多的网络（例如：VGGNet、GoogLeNet等等）。小伙伴们也可以尝试一下用tensorflow的slim来写一下AlexNet，这是tensorflow中用于图像分类的一个库，包含了用于定义、训练和评估复杂模型的轻量级高级API。
【参考的代码和博客】蟹蟹大大们的分享~
1.Tensorflow实战1：利用AlexNet训练MNIST（http://blog.csdn.net/felaim/article/details/65630312）
2.https://github.com/tensorflow/models/tree/master/slim/nets
3.https://blog.csdn.net/u013063099/article/details/74295796
4.《Tensorflow技术解析与实战》李佳璇著（121页——125页）