AlexNet
: 
第一层：卷积层1，输入为 224×224×3 224 \times 224 \times 3224×224×3的图像，卷积核的数量为96，论文中两片GPU分别计算48个核; 卷积核的大小为 11×11×3 ; stride = 4, stride表示的是步长， pad = 0, 表示不扩充边缘;
卷积后的图形大小是怎样的呢？
wide = (224 + 2 * padding - kernel_size) / stride + 1 = 54
height = (224 + 2 * padding - kernel_size) / stride + 1 = 54
dimention = 96
然后进行 (Local Response Normalized), 后面跟着池化pool_size = (3, 3), stride = 2, pad = 0 最终获得第一层卷积的feature map
最终第一层卷积的输出为 27x27x96
第二层：卷积层2, 输入为上一层卷积的feature map， 卷积的个数为256个，论文中的两个GPU分别有128个卷积核。卷积核的大小为：5×5×48 ; pad = 2, stride = 1; （27-5+2*2）/1+1=27 27x27x128两组 然后做 LRN， 最后 max_pooling, pool_size = (3, 3), stride = 2;（27-3）/2+1=13 13x13x128两组
第三层：卷积3, 输入为第二层的输出，卷积核个数为384, kernel_size = (3×3×256)， padding = 1, （13-3+1*2）/1+1=13 第三层没有做LRN和Pool 13x13x192两组
第四层：卷积4, 输入为第三层的输出，卷积核个数为384, kernel_size = (3×3), padding = 1,（13-3+1*2）/1+1=13 和第三层一样，没有LRN和Pool 13x13x192两组
第五层：卷积5, 输入为第四层的输出，卷积核个数为256, kernel_size = (3×3), padding = 1。（13-3+1*2）/1+1=13 13x13x128两组 然后直接进行max_pooling, pool_size = (3, 3), stride = 2; （13-3）/2+1=6 两组6x6x128
第6输入数据的尺寸是6x6x256，采用6x6x256尺寸的滤波器。4096个6x6x256尺寸的滤波器对输入数据进行卷积，通过4096个神经元的输出运算结果。
第6,7,8层是全连接层，每一层的神经元的个数为4096，最终输出softmax为1000,因为上面介绍过，ImageNet这个比赛的分类个数为1000。全连接层中使用了RELU和Dropout。
第7层输入的4096个数据与第8层的1000个神经元进行全连接