论文导读#1：《ImageNet Classification with Deep Convolutional Neural Networks》-CSDN博客

本文链接：https://blog.csdn.net/qq_41841298/article/details/125649377

本文是对《ImageNet Classification with Deep Convolutional Neural Networks》的解读，探讨了深度学习在图像分类任务中的应用。论文介绍了如何使用CNN解决复杂分类问题，通过数据增强、Relu激活函数、Overlapping Pooling等技术降低过拟合，以及在GPU并行计算上的优化策略。研究证明了CNN在特征提取和模型性能上的优势。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

论文原版+笔记：

链接：https://pan.baidu.com/s/10E5LzDewLlXW8O2WH4AWUw
提取码：av5z

前言

本文章是笔者读完《ImageNet Classification with Deep Convolutional Neural Networks》后，对于论文的归纳总结，可以给尚未读者作为一个论文概述。

本文为原创，如需转载，请标明出处。
如文中有错误之处，欢迎指出。
如文中有任何侵权行为，请联系删除。

一、介绍

此前分类任务大多使用传统的Machine Learning技术，并且数据集规模较小。
近期大规模数据集的出现：ImageNet...
图片分类任务相对来说是一个复杂的任务，要求模型具有强大的学习能力(learning capacity)，并且需要提供先验知识(priori knowledge)；只有这样才能使用相对任务复杂度来说较少的数据，学习到一个精准强大的模型。
论文中的CNNs模型可以通过调节单层宽度(width)和网络深度(depth)来控制整个模型的学习能力。
论文中使用的CNNs相对传统的MLP(Multi-Layer Perceptron)具有更少的参数(由于kernel实现了参数共享)，所以训练速度上更快。
即使CNNs降低了参数，但是由于图片分类问题的复杂性，网络的参数仍然很多；论文还通过 a) 两个GPU同时训练；b) 高优化的conv操作；来加速训练过程

二、数据集

Top5 error rate：模型预测结果中5个概率最高的标签中不包含正确标签的比例。
ImageNet数据集中的图片尺寸是不固定的，而模型要求输入的尺寸是固定的(224*224)。所以需要对图片进行预处理，将原始图片下采样(down sample)到 256*256 (为什么模型的输入是224*224而下采样到256*256后面有解释)