作为一个机器学习刚入门的小学生，今天和大家分享的是一篇比较经典的论文《ImageNet Classification with Deep Convolutional Neural Networks》。只是我们在学习后的知识分享和总结，有不周到的地方还请各位大大们指正。
简要概括
AlexNet是2012年ImageNet竞赛冠军Hinton和他的学生Alex Krizhevsky提出设计的，官方数据上网络所得的top-1和top-5错误率分别为37.5%和17.0%。
AlexNet采用了8层的神经网络，其中包含5个卷积层（其中有3个卷积层后连接了最大池化层），3个全连接层和最后的softmax层。AlexNet里面包含了6千万个参数和65万个神经元。为了防止过拟合，采用了正则化方法“Dropout”；为了提高训练和运行速度，采用了双GPU的设计模式。
AlexNet的重中之重！
敲黑板！！！划重点！！！AlexNet最重要的部分就是下图中的网络结构！可能小伙伴们看着这张图觉得有些莫名其妙，所以大家对照着下图思路就可以把AlexNet这块骨头啃下来了！（友情提示：备注要认真看哦~）
AlexNet总结
AlexNet对于在此之前的传统的机器学习分类算法而言可以说是非常出色了。它有很多的小tips（很多想法不是这篇文章提出的，但是在这篇文章中是闪光点，也把它们总结了一下），比如：
一、网络架构方面：
1.Relu激活函数：效果优于tanh函数和Sigmoid函数，解决了梯度消失的问题，收敛速度更快；
2.最大池化的使用：AlexNet使用的池化步长比池化核的尺寸小，池化层输出会有重叠和覆盖；
3.使用了局部响应归一化（LRN）：简单来说就是“强者更强，弱者更弱”。
二、训练速度方面：
1.使用了两个GPU计算，提高了准确率（说明：多卡并不会提高准确率，但是在这篇文章的第二三层卷积层之间用了两个GPU的“串联”，提高了准确率），增加显存，加快了计算速度和训练速度；
三、防止过拟合方面：
1.数据增强：AlexNet做了两方面的数据增强；一是对于原始图像（256x256x3）做水平翻转，随机截取为224x224x3的图像尺寸大小，这使得训练样本数量扩增了2048倍，提升了模型的泛化能力；二是对原始图像的RGB通道做了PCA主成分分析，即对于图片的每个像素提取RGB三个通道的特征向量和特征值，再乘以一个均值为0.1方差服从高斯分布的随机变量α；
2.正则化方法Dropout：随机忽略一部分的神经元，设置一个keep_prob来表示这个神经元的保留概率，这迫使神经网络不会过度的依赖某个神经元或者特征。AlexNet在训练过程中令keep_prob为0.5，在测试过程中，令keep_prob为1（全部激活），但所有输出值乘以0.5；
最后的最后，因为我们也是机器学习刚入门的小学生，有些理解不到位的地方还请大大们指出。博客最近两个月会每周都至少更新一篇深度学习网络篇的理解（下一周是ZFNet网络哦~），网络篇的代码实现会在稍后附上，还请大家多多支持！蟹蟹！！！