阅读笔记：《ImageNet Classfication with Deep Convolutional Neural Networks》

一、Abstract

        1. Acieve top-1 and top-5 error rates of 37.5% and 17.0%。

        2. This networks has 60 million parameters and 650,000 neurons. 由5个卷积层（有一些后面连着最大池化层）和三个全连接层组成，最后输出1000个softmax的分类结果。

        3. 为了训练得更快，采用非饱和的神经元，并且在非常高效的GPU上来实现卷积操作。

        4. 为了在全连接层减少overfitting, 采用正则化方法dropout。

二、Introduction

        1. 被标注的图像数据集太小，需要更多训练集和更好的模型。

        2. CNNs不同的宽度和深度可以来控制网络的能力，并且CNNs参数更少和连接，因此更容易去训练，只是理论上的最佳性能较差。虽然CNNs有比较好的性能，在它们局部架构上也相对比较高效，但是应用在大规模高分辨率的图像上还是比较昂贵。

        3. contributions of this paper

                (1)在ImageNet的子集上训练了其中最大的卷积神经网络，并且实现了在这些数据集上至今为止最好的结果。

             （2）该网络包含了一些新的和不常见的特征，这些特征提高了表征并且减少了训练的时间。

        &nb