论文笔记：ImageNet classification with deep convolution neural networks
1、此种模型参加了2010,2012的ILSVRC（ImageNet Large Scale Visual Recognition Competition）比赛，错误率对比如下：
在训练模型的过程中，借助配备有NVIDIA GTX 580 3GB显卡的计算设备进行训练大约五至六天后完成。 authors claim that if they were not dependent on GPU hardware acceleration, the results might have been even more significant.
在结构设计上, 该网络包含五个连续的卷积层和三个全连接层. 具体而言, 前两组卷积（即 C1 和 C2）后均接有下采样模块, 而后接的第三、第四和第五个卷积模块（即 C3、C4 和 C5）未配置下采样功能. 结构图如图 3所示.
在结构设计上, 该网络包含五个连续的卷积层和三个全连接层. 具体而言, 前两组卷积（即 C1 和 C2）后均接有下采样模块, 而后接的第三、第四和第五个卷积模块（即 C3、C4 和 C5）未配置下采样功能. 结构图如图 3所示.
4、在激活函数的选择方面，比较了三种常用函数：
ReLU函数（Rectified Linear Units）及其变体包括sigmoid函数和双曲正切激活函数，在多次实验对比分析中发现ReLU表现最佳。
5、LRN（Local Response Normalization）局部响应归一化同样也能减少错误发生。
在选择池化层的参数时, 通常建议设置更大的核尺寸, 这是因为当卷积核在特征图上滑动时, 各相邻区域的响应具有一定程度的重叠, 这种特性有助于减少误判的可能性。
7、该文章阐述了防止过拟合的两种方法：其一是数据增强技术（Data Augmentation），这种方法适用于训练模型的数据集；另一种方法是Dropout技术。
8、作者在实验中获得了重要启发。该研究证实了模型深度度量对提升实验效果具有重要意义。通常情况下，在资源允许的情况下当然地建议尽可能提高模型深度度量。
具体的如何操作以后有时间再添加，