摘要
我们训练了一个大型深度卷积神经网络，用于将ImageNet LSVRC-2010数据集中的130万张高分辨率图像分类为1000个不同类别。在测试数据上，我们取得了39.7%的Top-1错误率和18.9%的Top-5错误率，显著优于此前的最先进水平。该神经网络包含6000万个参数和50万个神经元，由五个卷积层组成，其中部分卷积层后接最大池化层，并包含两个全局连接层，最后通过一个1000路Softmax层输出分类结果。为加快训练速度，我们采用了非饱和激活函数，并实现了高效的GPU卷积网络计算。为减少全局连接层中的过拟合现象，我们引入了一种新的正则化方法，实验证明该方法极为有效。
基准测试
| 基准 | 方法 | 指标 |
|---|---|---|
| graph-classification-on-bp-fmri-97 | CNN | Accuracy: 54.6% F1: 52.8% |
| graph-classification-on-hiv-dti-77 | CNN | Accuracy: 54.3% F1: 55.7% |
| graph-classification-on-hiv-fmri-77 | CNN | Accuracy: 59.3% F1: 66.3% |
| image-classification-on-cifar-10 | DCNN | Percentage correct: 89 |
| image-classification-on-imagenet-real | AlexNet | Accuracy: 62.88% |
| unsupervised-domain-adaptation-on-office-home | AlexNet [cite:NIPS12CNN] | Accuracy: 54.9 |