我们训练了一个大型的深度卷积神经网络，来将在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%，这个效果比之前最顶尖的都要好得多。该神经网络有6000 万个参数和650，000 个神经元，由五个卷积层，以及某些卷积层后跟着的max-pooling 层，和三个全连接层，还有排在最后的1000-way 的softmax 层组成。为了使训练速度更快，我们使用了非饱和的神经元和一个非常高效的GPU 关于卷积运算的工具。为了减少全连接层的过拟合，我们采用了最新开发的正则化方法，称为“ dropout”，它已被证明是非常有效的。在ILSVRC-2012 大赛中，我们又输入了该模型的一个变体，并依靠top-5 测试误差率15.3%取得了胜利，相比较下，次优项的错误率是26.2%。
顶部