摘要

训练了一个深层的卷积神经网络，在图像分类的竞赛上以碾压性的优势击败了第二名。有5个卷积层，一些池化层，3个全连接层。用了dropout防止过拟合

1、引言

在几十年前，神经网络不被计算机视觉接受，他们认为这种黑盒模型无法解决图像分类，都是设计传统机器学习模型。现在，我们知道，只要有足够大的数据和算力，深度神经网络就有很大的优势。

2、介绍

在当前，对于物体的识别的主流是机器学习方法。对于小样本数据集，机器学习模型能处理的很好。但对于大型数据集例如ImageNet，就需要CNN这种大学习能力的模型。我们训练的CNN在大规模视觉挑战赛上表现的很好

3、数据集

介绍了ImageNet的数据集。

4、架构

4.1使用Relu函数
4.2在多个GPU上训练
4.3局部响应归一化（已经被淘汰）
4.4重叠池化
4.5整体架构

5、防止过拟合

5.1数据增强：图像平移和水平翻转，RGB像素改变
5.2dropout

6、学习细节

使用随机梯度下降(SGD)

7、结果

在比赛中远远超过第二名

8、讨论

深度很重要，我们仍然有很大的提升空间

9. 结语