第一篇 AlexNet——论文翻译_dd multiples of the found principal compon-CSDN博客

本文介绍了AlexNet，一个大型深度卷积神经网络，它在ImageNet LSVRC-2010竞赛中大幅降低错误率，实现37.5%的top-1和17.0%的top-5错误率。网络包含5个卷积层和3个全连接层，使用ReLU非线性、多GPU训练、局部响应归一化、重叠池化等创新技术。数据增强和dropout正则化策略有效防止过拟合。AlexNet的成功揭示了深度学习在大规模图像识别任务中的潜力。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

文章目录

摘要
1 简介
2 数据集
3 架构
4 减少过拟合
6 结果
- 6.1 定性评估
7 探讨

摘要

论文链接：http://www.cs.toronto.edu/~fritz/absps/imagenet.pdf

我们训练了一个大型的深度卷积神经网络，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，这大大优于之前的最先进方案。神经网络有6000万个参数和65万个神经元，由5个卷积层组成，其中一些是最大池化层，三个全连接层和最终的1000路softmax。为了使训练更快，我们使用非饱和神经元和非常高效的卷积操作的GPU实现。为了减少全连接层中的过拟合，我们采用了最近开发的称为“dropout”的正则化方法，该方法被证明是非常有效的。我们还在ILSVRC-2012竞赛中输入了该模型的一个变体，并实现了15.3%的获胜前5名测试错误率，而第二名的成绩是26.2%。

1 简介

目前的目标识别方法主要使用机器学习方法。为了提高它们的性能，我们可以收集更大的数据集，学习更强大的模型，并使用更好的技术来防止过拟合。直到最近，带标签图像的数据集都相对较小，只有数万张图像(例如NORB [16]， Caltech-101/256[8,9]和CIFAR-10/100[12])。在这种规模的数据集上，简单的识别任务可以很好地解决，特别是当它们通过标签保持变换进行扩