paper：https://papers.nips.cc/paper/4824-imagenet-classification-with-deep-convolutional-neural-networks
框架
AlexNet一共有八层，包括5个卷积层和3个全连接层，其中在每一个卷积层中包含了激活函数ReLu，归一化(LRN)操作，某些层还包括pooling（池化）。总共拥有60M以上的参数总量。
AlexNet将计算出来的feature map分开在两台GPU上并行计算，但是前一层用到的数据要看连接的虚线，如图中input层之后的第一层第二层之间的虚线是分开的，是说二层上面的128map是由一层上面的48map计算的，下面同理；而第三层前面的虚线是完全交叉的，就是说每一个192map都是由前面的128+128=256map同时计算得到的。
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feature map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
神经网络模型之AlexNet
原文地址：http://www.cnblogs.com/immersion/p/7955805.html