[论文翻译]基于深度卷积神经网络的ImageNet分类

我们训练了一个大型深度卷积神经网络，将ImageNet LSVRC-2010竞赛中的120万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\$37.5\%\$的top-1错误率和\$17.0\%\$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65万个神经元，由五个卷积层（部分层后接最大池化层）和三个全连接层（最终采用1000路softmax）组成。为加速训练，我们使用了非饱和神经元和高度优化的GPU卷积运算实现。为减少全连接层的过拟合，我们采用了一种名为"dropout"的新型正则化方法，效果显著。我们还以该模型的改进版本参加了ILSVRC-2012竞赛，并以\$15.3\%\$的top-5测试错误率夺冠，而第二名成绩为\$26.2\%\$。