2012-AlexNet
- 论文地址：https://papers.nips.cc/paper/4824-imagenet-classification-with-deep-convolutional-neural-networks.pdf
- 项目地址：https://github.com/deep-diver/AlexNet
摘要
我们训练了一个大型的深度卷积神经网络，将 ImageNetLSVRC-2010比赛中的 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，获得了top-1和top-5的错误率分别为37.5%和17.0%，这明显优于之前的最先进水平。该神经网络有6000万个参数和65万个神经元， 由5个卷积层组成(某些卷积层后面带有最大池化层），以及3个全连接层，最后是1000维度的softmax。为了加快训练速度，使用了非饱和神经元（ReLU）和一个非常有效的GPU实现的卷积操作。为了减少全连接层中的过拟合，采用了一种最近开发的正则化方法，称为”Dropout”，该方法被证明是非常有效的。还在 ILSVRC-2012竞赛中输入了该模型的一个变体，赢得了关键，并且相较于第二名的测试错误率为26.2%，以 15.3%的top-5测试错误率获得冠军。
1 序言
目前的目标识别方法主要利用了机器学习方法。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，标记图像的数据集相对较小——成千上万的图像(例如，NORB[16]、Caltech-101/256[8,9]和CIFAR-10/100[12])。简单的识别任务可以用这种大小的数据集很好地解决，尤其是如果通过标签保留变换进行数据增强的情况下。例如，MNIST数字识别任务的当前最佳错误率（
Original: https://blog.csdn.net/uncle_ll/article/details/123358381
Author: uncle_ll
Title: 经典网络-AlexNet论文及实践
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/520666/
转载文章受原作者版权保护。转载请注明原作者出处！