CNN之AlexNet

论文：ImageNet Classification with Deep Convolutional Neural Networks

Abstract

我们训练了一个大型深度卷积神经网络，将 ImageNet LSVRC-2010 竞赛中的 120 万张高分辨率图像分类为 1000 个不同的类别。在测试数据上，我们实现了 37.5% 和 17.0% 的 top-1 和 top-5 错误率，这比之前的最新技术要好得多。该神经网络具有 6000 万个参数和 650,000 个神经元，由五个卷积层组成，其中一些卷积层之后是最大池化层，以及三个具有最终 1000 路 softmax 的全连接层。为了加快训练速度，我们使用了非饱和神经元和非常高效的 GPU 卷积运算实现。为了减少全连接层的过度拟合，我们采用了一种最近开发的称为“dropout”的正则化方法，该方法被证明非常有效。我们还在 ILSVRC-2012 竞赛中输入了该模型的一个变体，并获得了 15.3% 的前 5 名测试错误率，而第二好的参赛作品达到了 26.2%。