AlexNet论文阅读

论文下载

这篇论文的背景作者在参加2010年的ImageNet比赛，当时作者取得了第二名的成绩

摘要主要介绍了其神经网络的结构—— 5个卷积层 （每个卷积层($convolutional\ layers$)后面都跟有池化层($max-pooling\ layers$)）和 三个全连接层 ，最后是一个1000维的softmax。然后作者还提到一个比较有意思的想法： "为了避免全连接层的过拟合，我们采用一种名为$dropout$的正则化方法"

引言和数据集的部分都不重要，这里就略过了

第三部分开始简略介绍了AlexNet的 架构 ，其实就和摘要说的是一样，然后作者说他会把他网络中新奇的点接下来按照重要程度（重->轻）依次说明

首先作者认为他网络最重要的部分是激励函数的选取。传统的激励函数是$tanh(x)$，他认为$tanh(x)$模型收敛太慢，所以改用收敛更快的 $Relu$函数 ，右边的图中虚线是$tanh(x)$函数，实线是$Relu$函数。使用$Relu$的四层神经网络比$tanh$在达到25%的误差时快6倍

接着作者认为他们 多CPU并行计算 很重要，这一块主要是硬件，我个人感觉不是很重要，所以略过

局部响应归一化 。" Relu不需要将输入层的数据进行归一化防止其饱和 "（这里我暂时不是很懂，先放一放）

重叠池化 。传统池化的窗口大小$z*z$中的$z$等于池化的步长$s$。作者设置$z

整体架构 。文章中GPU部分我就直接略过了，直接看这个图很好理解。

第1卷积层使用96个核对224 × 224 × 3的输入图像进行卷积，核的大小是11 × 11 × 3，步长是4

第2卷积层使用用第1卷积层的输出（响应归一化和池化）作为输入

未完待续...