AlexNet包含5个卷积层，三个卷积层后面链接最大池化层，最后还有三个全连接层。

(1)成功使用RELU激活函数，成功解决sigmoid在网络较深时梯度弥散的问题。

(2)训练中使用dropout随机忽略部分神经元避免过拟合。

(3)在AlexNet中全部使用最大池化，避免平均池化的模糊效果，AlexNet提出步长比池化核小，这样池化层的输出之间会有重叠和覆盖，提升特征的丰富性。

(4)提出LRN层，对局部神经元的活动创建竞争机制，使得其中相应比较大的值变得相对更大，并且抑制其他反馈比较小的神经元，增加了模型的泛化能力。

(5)数据增强，随机的从原始图像中截取小块区域做数据增强，仅仅靠原始数据是不能泛化的，会产生过拟合的现象，取图片四个角加上中间5张图，加上翻转一共10张图片，，对他们进行预测并且对10次结果取均值。同时对RGB图像做PCA处理，并且对主成分做一个标准差为0.1的高斯扰动，这个操作可以降低1%的错误率。

整个AlexNet有8个需要训练的层（不包括池化层和LRN层），前5层为卷积层，后三层是全连接层，最后一层有1000类输出的softmax层做分类。LRN在一二卷积层后面，最大池化层是在LRN和最后一层卷积层的后面。RELU则是在每一层的后面。

​ ​​

输入图片的大小是224x224,第一个卷积层使用的11x11 卷积核，步长为4，有98个卷积核，紧接着一个LRN层，然后就是3x3的最大池化层，步长为2。这之后的卷积核尺寸都比较小，都是5x5或者3x3大小的，并且步长都是1，会扫描所有像素；而最大池化层依然保持为3x3，并且步长为2。我们发现前几层计算量很大但是参数很小。注意要是去掉中间任何的一层都会让网络的精度下降很多。