【图像分类骨干网络】AlexNet

为了降低ImageNet LSVRC-提出了2010年的分类错误AlexNet网络(Krizhevsky, Sutskever, & Hinton, 2012年，该网络共有8层，包括5个卷积层和3个全连接层。基于网络训练耗时，实现了一种基础GPU此外，还使用了卷积计算dropout有效避免全连接层的过拟合。最后，在ILSVRC-在2012年的比赛中，获得了15场.3%的top-错误率比第二名低近10个百分点。

文献认为，卷积层的深度对分类效果有很大影响AlexNet中间层的任何卷积层都可能被移除top-1分类精度下降2%。

AlexNet网络卷积层采用11×11，5×5和3×三种不同尺寸的滤波器，这种设计的起点是什么？

使用全连接层Dropout虽然该技术可以在一定程度上缓解拟合现象，但全连接层的巨大参数导致模型过大。此外，全连接层对分类效果的贡献不明确。文章中是否有相关研究，为什么有三个全连接层，而不是两个或一个？增加一个全连接层和一个卷积层，两者对提高分类效果的贡献是否相同？
在第二章中介绍数据集是不合理的。通常，本文实验将使用的数据集将设置在实验中。

AlexNet网络的贡献是：

• 在ILSVRC-2010和ILSVRC-2012年训练了当时最大的卷积神经网络，获得了STOA的效果；
• 在GPU上实现了2D由于卷积等训练卷积网络的操作，有效减少了AlexNet训练时间；
• 利用ReLU、LRN、GPU训练深度卷积神经网络等方法，改进AlexNet网络分类效果，减少训练时间；
• 引入数据增强，dropout技术避免过拟合；

文献评述：

• AlexNet掀起了在GPU训练深度卷积神经网络的浪潮；
• AlexNet是当时最深的卷积神经网络，当时训练深度卷积神经网络面临的主要挑战是什么？AlexNet是第一次引入吗？GPU训练深度卷积神经网络；
• 在介绍网络结构之前，充分说明了为什么引入这些技术，采用问题驱动的方式进行介绍；