教程：使用深度卷积神经网络进行ImageNet数据库的分类

我们训练了一个大型的深度卷积神经网络，将ImageNet LSVRC-2010大赛中的120万张高清图像分为1000个不同的类别。对测试数据，我们得到了top-1误差率37.5%，以及top-5误差率17.0%，效果比之前最顶尖的结果更好。该网络有6000万个参数和650,000个神经元，由五个卷积层、某些卷积层后的max-pooling层，三个全连接层，以及最后的1000-way softmax层组成。为了加快训练速度，我们使用了非饱和神经元和高效的GPU卷积运算工具。为了减少全连接层的过拟合，我们采用了dropout正则化方法，它被证明非常有效。在ILSVRC-2012大赛中，我们基于该模型的一个变体获得了top-5测试误差率15.3%的成绩，远低于次优项的26.2%错误率。