经典分类模型回顾16-AlexNet实现垃圾分类（Tensorflow2.0版）

AlexNet是2012年由亚历克斯·克里斯托夫（Alex Krizhevsky）等人提出的一种卷积神经网络结构，它在ImageNet图像识别比赛中获得了第一名，标志着卷积神经网络的崛起。

AlexNet的结构包括8层网络，其中前5层为卷积层，后3层为全连接层。AlexNet的主要特点是使用了ReLU作为激活函数，采用dropout技术避免过拟合问题，使用了最大池化层来降低训练参数数量，采用了LRN（局部响应归一化）来增强泛化能力，还采用了数据增强的方法来扩充训练集。

具体来说，AlexNet的结构如下：

|层|类型|卷积核大小|步长|输出大小|
|---|---|---|---|---|
|1|卷积层|11x11x3|4|55x55x96|
|2|最大池化层|3x3|2|27x27x96|
|3|卷积层|5x5x96|1|27x27x256|
|4|最大池化层|3x3|2|13x13x256|
|5|卷积层|3x3x256|1|13x13x384|
|6|卷积层|3x3x384|1|13x13x384|
|7|卷积层|3x3x384|1|13x13x256|
|8|最大池化层|3x3|2|6x6x256|
|9|全连接层|4096|1|1x1x4096|
|10|全连接层|4096|1|1x1x4096|
|11|全连接层|1000|1|1x1x1000|

其中，第1层卷积层的输入为224x224x3的图片，卷积核大小为11x11，步长为4，共96个卷积核，得到的输出大小为55x55x96。第2层为最大池化层，池化核大小为3x3，步长为2，输出大小为27x27x96。第3层为卷积层，卷积核大小为5x5x96，步长为1，共256个卷积核，得到的输出大小为27x27x256。第4层为最大池化层，池化核大小为3x3，步长为2，输出大小为13x13x256。第5、6、7层为卷积层，卷积核大小分别为3x3x256、3x3x384、3x3x384，共384个卷积核，256个卷积核，256个卷积核，得到的输出大小分别为13x13x384、13x13x384、13x13x256。第8层为最大池化层，池化核大小为3x3，步长为2，输出大小为6x6x256。最后3层为全连接层，第9、10层的输出大小都为1x1x4096，第11层的输出大小为1x1x1000，预测图片的类别。

AlexNet的创新之处在于使用ReLU激活函数来替代传统的sigmoid激活函数，ReLU的计算速度更快，同时解决了梯度消失的问题，使网络的训练更加稳定和有效。此外，AlexNet也是第一个使用dropout来避免过拟合问题的神经网络。数据增强的方法也使训练集得到了扩充，提高了网络的鲁棒性。AlexNet的成功奠定了深度学习在计算机视觉领域的地位，为后续的神经网络研究提供了启示。

import tensorflow as tf
from tensorflow.keras import layers, models
import numpy as np
import os# 设置数据目录
train_dir = './garbage_classification/train'
valid_dir = './garbage_classification/test'# 数据预处理
train_datagen = tf.keras.preprocessing.image.ImageDataGenerator(rescale=1./255,      # 缩放像素值到0-1之间rotation_range=40,   # 随机旋转width_shift_range=0.2,  # 随机水平平移height_shift_range=0.2, # 随机竖直平移shear_range=0.2,     # 随机剪切zoom_range=0.2,      # 随机缩放horizontal_flip=True,   # 水平翻转fill_mode='nearest')  # 填充方式valid_datagen = tf.keras.preprocessing.image.ImageDataGenerator(rescale=1./255)# 加载训练集和验证集
train_generator = train_datagen.flow_from_directory(train_dir,target_size=(227, 227),      # AlexNet输入大小batch_size=32,class_mode='categorical')valid_generator = valid_datagen.flow_from_directory(valid_dir,target_size=(227, 227),batch_size=32,class_mode='categorical')# 构建AlexNet模型
model = models.Sequential()
model.add(layers.Conv2D(96, (11, 11), strides=(4, 4), activation='relu', input_shape=(227, 227, 3)))
model.add(layers.MaxPooling2D(pool_size=(3, 3), strides=(2, 2)))
model.add(layers.Conv2D(256, (5, 5), strides=(1, 1), activation='relu', padding='same'))
model.add(layers.MaxPooling2D(pool_size=(3, 3), strides=(2, 2)))
model.add(layers.Conv2D(384, (3, 3), strides=(1, 1), activation='relu', padding='same'))
model.add(layers.Conv2D(384, (3, 3), strides=(1, 1), activation='relu', padding='same'))
model.add(layers.Conv2D(256, (3, 3), strides=(1, 1), activation='relu', padding='same'))
model.add(layers.MaxPooling2D(pool_size=(3, 3), strides=(2, 2)))
model.add(layers.Flatten())
model.add(layers.Dense(4096, activation='relu'))
model.add(layers.Dropout(0.5))
model.add(layers.Dense(4096, activation='relu'))
model.add(layers.Dropout(0.5))
model.add(layers.Dense(6, activation='softmax'))  # 6种垃圾分类# 打印模型摘要
model.summary()# 配置模型训练过程
model.compile(loss='categorical_crossentropy',optimizer=tf.keras.optimizers.Adam(learning_rate=1e-4),metrics=['acc'])# 训练模型
history = model.fit(train_generator,steps_per_epoch=100,epochs=30,validation_data=valid_generator,validation_steps=50)# 保存模型和权重
model.save('garbage_classification.h5')
model.save_weights('garbage_classification_weights.h5')