AlexNet网络是由5个卷积层和3个全连接层构成
下面这个是一个平面图，可能会更好看一些：
1 2 3 4 5
6 7 8 9 10 11
一、 字母解析：
1、s：(stride)步伐的意思，表示每次跨几个像素点
（例：s = 1则表示第一次最左上角取(1,1)这个点，往后走两步，下一次的左上角取(1,3)这个点）
2、pad：(padding)补充的意思，就是在原来图片的基础上在外面补充几行（列）
（例：pad = 2，则表示在原来图片的基础上两边补两列，上下分别补两行，补的数据全部为0）
3、f：(filter)过滤器的意思，在池化的时候会用到
（例： f = 3，表示这个过滤器为3*3大小，在AlexNet中采取最大池化，所以就会将3*3区域内的数据取最大值替代该区域）
4、pooling：池化
5、FC：全连接
二、过程解析：
1、卷积过程，用96个11*11大小的卷积核去卷积该数据，所以卷积完应该有96张特征图，每张特征图的大小为55*55（(227-11)/4+7=55），使用ReLu作为激活函数
2、降采样，也称池化，采用最大池化方式（PM），因为过滤器为3*3，没有进行补充，所以最后池化完的大小为27*27（(55-3)/2+1=27）
3、卷积过程，共有256个卷积核，所以卷积完后共有256个特征图，卷积核大小为5*5，步伐为1，补充2行和2列，卷积完大小依然为27*27（（55+2*2-5)/1+1=27），使用ReLu作为激活函数
4到8分别是池化、卷积、卷积、卷积、池化操作，原理同上面。
9、全连接操作，使用4096个神经元对256个6*6大小的特征图进行全连接，即通过4096个6*6的卷积核对256个特征图进行卷积操作，再通过ReLU激活函数，最后经过dropout，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。通过drop运算后输出4096个本层的输出结果值最后得到4096个神经元
10、输入的4096个数据与上一层的4096个神经元进行全连接，操作如同然后上一层一样经由ReLU进行处理后生成4096个数据，再经过dropout（同样是以0.5的概率）处理后输出4096个数据。
11、上一层输出的4096个数据与本层的1000个神经元进行全连接，经过训练后输出被训练的数值。