参考：https://blog.csdn.net/xbinworld/article/details/45619685
参考：https://blog.csdn.net/fate_fjh/article/details/53446630（FCN模型）
参考：https://blog.csdn.net/zyqdragon/article/details/72353420
LeNet模型（包括输入层在内共有8层）：
模型结构如下：
第一层：输入层是32x32大小的图像
第二层：C1层是一个卷积层，6个feature map，5x5大小的卷积核，每个feature map共有(32-5+1)*(32-5+1)即28x28个神经元，每个神经元都与输入层的5x5大小的区域相连，即C1层有(5x5+1)x6=156个训练参数(5为卷积核权重，1为bias偏置项权重，共6个feature map)，两层间的连接数为156x(28x28)=122304个，通过卷积运算来强化特征，减少噪音。
第三层：S2是池化层，共6个14x14的feature map，对应的池化大小为2x2，(按照书上的解释)这里的池化层的计算过程和普通的池化层有点差异，这里采用对上一层卷积层的2x2大小的数值求和得到xi，再经wxi+b计算后进行激活函数处理得到结果，这里的连接数为(4+1)x(14x14)x6=5880。
第四层：C3层是一个卷积层，采用5x5的卷积核，这里的feature map的神经元个数为(14-5+1)x(14-5+1)=10x10，这里有16个feature map，每个feature map由上一层的feature map之间进行不同组合。(现在大部分的卷积层都是和所有的上一层所有的feature map相连接，表现为每个feature map和卷积核内积后求和并加偏置项，得到输出的单个feature map中对应的数值)
第五层：S4是一个池化层，由16个5x5的feature map组成
第六层：C5是一个卷积层，同样使用5x5的卷积核，该层有120个feature map
第七层：F6全连接层有84个feature map，每个feature map只有一个神经元与C5全相连，该层计算输入向量和权重向量间的点积和偏置，然后传递给sigmoid函数计算。
第八层：输出层也是全连接层，共10个节点，分别代表数字0-9
AlexNet模型：
该模型总共有8层，前五层是卷积层，后三层是全连接层，最后一个全连接层的输出具有1000个输出的softmax。
第一个卷积层conv1中，Alexnet采用96个11x11x3的kernel（对应下图中的num_output），在stride为4的情况下对224x224x3的图像进行滤波，即通过11x11的卷积模板在3个通道上，间隔为4个像素的采样频率对图像进行卷积操作。
对于每个feature map来说，间隔为4，因此map核大小为（224/4-1）55x55。在得到基本的卷积数据后，通过relu、norm变换、池化操作作为输出传递到下一层。经过池化之后的feature map大小转化为（55/2）27x27，本层feature map的个数为96个。
第二个卷积通过256个5x5的卷积模板卷积得到（pad表示周边的0填充）。过程和第一层的conv1类似，（按照他人博客的意思）这里的group的目的在于将前面的feature map分开，卷积部分分成2部分来做，每组针对27x27x48的像素进行卷积运算。步长为1。其中，池化运算的尺度为3x3，运算步长为2，因而得到池化之后的feature map大小为13x13。 过程作图表示如下：
第三个卷积层的过程和第二个卷积层类似。这里采用384个卷积模板来进行操作，每个像素层都通过上下左右pad=1来进行填充，这里的2组像素层被送到2个不同的GPU中进行运算，每个GPU有192个卷积核，每个卷积核的尺寸为3x3x128。因此，每个GPU中的
卷积核都可以2组13x13x128的像素层的所有数据进行卷积运算。经计算后，得到2组GPU中总计13x13x384个卷积后的像素层。
第四层的输入为上一层的输出（即2组GPU的总计13x13x384的像素层），每个GPU中各有192个卷积核，每个卷积核的尺寸为13x13x192，其余部分同上。
第五层的输入为第四层输出的2组13x13x192的像素层，同上，这里也分为2个group，每组的卷积核的个数为128，卷积核的尺寸大小为13x13x192，经卷积计算后的卷积核尺寸大小为13x13x128，2组GPU总计13x13x256的卷积核。
经过核大小为3，步长为2的池化层处理后尺寸大小为（13-3）/2+1=6，即得到2组6x6x128的像素层，合计为6x6x256的像素层。
第六层为全连接层，这里的输入数据的尺寸大小为6x6x256，通过6x6x256尺寸的滤波器对输入数据进行卷积运算，每个6x6x256尺寸的滤波器对第六层的输入数据进行运算得到1个结果；共有4096个6x6x256尺寸的滤波器对输入数据进行卷积运算，
通过4096个神经元输出运算结果。再经relu激活函数得到4096个值，后通过dropout层输出4096个本层的输出结果。由于这一层的滤波器尺寸6x6x256和待处理的feature map的6x6x256的尺寸相同，也就是说滤波器的每个系数只和feature map中的一个
系数相乘，因此该层也称为全连接层。
第七层也为全连接层。第六层的输出的4096个数据和第七层的4096个神经元进行全连接，后经relu处理、dropout处理，输出4096个数据。
第七层的4096个数据和第八层的1000个神经元进行全连接，经过训练后输出被训练的数值。
其中，Alexnet模型的各层发挥的作用如下表所示：
多GPU训练：提高训练速度
非线性激活函数：使用Relu非线性函数收敛更快，用Relu替代Sigmoid是因为Relu的SGD收敛速度比Sigmoid/tanh快很多，主要原因是Relu是线性的、非饱和的，只需要一个阈值就可以得到激活值。
dropout：减少过拟合
LRN局部相应归一化：有助于模型的泛化
重叠池化：提高精度、减少过拟合