雖然卷積神經網絡之前已存，但AlexNet網絡的實現加快了卷積深度神經網絡的發展，這一點讓AlexNet居功至偉。與之前的一篇LeNet的前向檢測的計算相比，AlexNet網絡的前向計算要複雜得多，共有五個卷積層和三個全連接層。還有兩個額外的Local Response Normalization的運算，以進一步增強神經網絡的準確度，用numpy實現起來也頗費周折。本文提到的相關Python代碼可在https://github.com/LinkYe/LearnDeep上獲得。
首先，筆者缺少環境訓練AlexNet，模型文件是caffe官網下載的：http://dl.caffe.berkeleyvision.org/bvlc_alexnet.caffemodel。執行alexnet-weight.py將該模型文件重寫爲NPZ文件，在創建AlexNetCM對象時讀取它：
讀取的五個卷積核需要進行翻轉，這一點在上一篇文章也提到過，這裏使用了flipReverse()方法。之後爲AlexNetCM類實現了卷積/池化/LRN等方法，最後着重是前向檢測的運算過程：
與LeNet的前向檢測運算相比，AlexNet網絡的運算的卷積有很多的不同。其一是卷積的過程可能會分成兩組，如圖中的ngroup=2，還有第一層卷積的步長爲4，如圖中的stride=4。另外，後面四個卷積層的模式是SAME，即輸入的圖像大小與卷積的輸出大小是相同的，因此指定了padLen爲非零。
爲了測試我們的AlexNetCM類的功能，在命令行執行python3 -i caffe-AlexNet.py，會對一張圖片調用AlexNetCM及caffe檢測，對比結果；詳細的實現可參見caffe-AlexNet.py的最後五十多行。下面是筆者對一張圖片的檢測結果：
令人驚詫的是，結果完全相同！這很讓人欣慰——不過，由於LRN的性能很低，筆者實現的前向檢測需要幾十秒的時間才能完成。在上圖執行完成後，可以手動輸入detect_img進行檢測。至此通過“重複造車”，我們基於numpy實現了AlexNet網絡的前向檢測的運算，進一步加深了對卷積深度神經網絡的理解。