我们训练了一个大型深度卷积神经网络来将`ImageNet LSVRC-2010`竞赛的120万高分辨率的图像分到1000不同的类别中。在测试数据上,我们得到了`top-1 37.5%, top-5 17.0%`的错误率,这个结果比目前的最好结果好很多。这个神经网络有6000万参数和650000个神经元,包含5个卷积层(某些卷积层后面带有池化层)和3个全连接层,最后是一个1000维的softmax。为了训练的更快,我们使用了非饱和神经元并对卷积操作进行了非常有效的GPU实现。为了减少全连接层的过拟合,我们采用了一个最近开发的名为`dropout`的正则化方法,结果证明是非常有效的。我们也使用这个模型的一个变种参加了`ILSVRC-2012`竞赛,赢得了冠军并且与第二名 `top-5 26.2%`的错误率相比,我们取得了`top-5 15.3%`的错误率。
由
gingo发布于
经典网络 阅读次数 1912