写在前面：
作为CNN中的经典，对于刚开始入cv的小白来说，这是一篇必看的文章，以前我看AlexNet就简单地认为是卷卷积就完事了，实则不然。今天终于静下心来，好好地品了品这篇文章。
一、数据集
-
ImageNet数据集，我觉得有必要专门来看看这个数据集是怎么使用的。
二、网络架构
如果说网络的结构，那单单确实就是几次卷积，但是细品就会发现，这篇文章用到的trick是很值得我们学习的。
2.1 Relu
文章的第一个亮点，就是使用relu。至于为什么要这么做，还有**函数有什么好处等等问题，我在另一篇博客中已经提到过了。
2.2 多GPU并行化
我觉得这个问题不是出在cv上。对于目前来说许多网络训练时间一般都在一天左右，我们如何提高我们的并行性是一个值得关注的重点与难点，这个也需要我再另起一篇博客来谈谈。
2.3 LRN(局部响应归一化)
这个技巧，我也是需要再另起一篇文章做描述
2.4 最大值重叠池化
在这一部分中，有两个要点：
- 没用之前的平均值池化，其目的是避免模糊性，而采用最大值池化
- 将步长定为小于
size，从而可以使得重复池化，这样可以获得丰富的特征
2.5 网络最终架构
这个网络架构，说实话，这么看是真的感觉挺难的，但是5层卷积+3层全连接，其实不难，因为这是两个GPU一起训练的，所以会显得这个网络很难，那么简化版是这样：
三、避免过拟合
alexNet最好的一点在于精度的把握，通过极深的网络从而达到精度，但是随之而来的问题就是过拟合，因此文章又给出了两种避免过拟合的方法。
3.1 数据增强
- 可以对图像进行平移or反转
- 对图像的
RGB进行强度变换，从而引出了一个另外的东西叫PCA。
3.2 Dropout
这个trick目前很多网络都在用，也是一个非常厉害的想法。总之就是，在网络中，将一些神经元隐藏，在传播过程中不起作用。
而且我个人觉得这个技术我也得再来一篇文章。
四、总结
作为深度学习的热潮之作，这篇文章无疑是顶的，这里不仅仅是网络，同时其他的技巧也一直被人们所使用，这是一篇超级好的文章，应该反复多读。