论文链接：https://papers.nips.cc/paper/2012/file/c399862d3b9d6b76c8436e924a68c45b-Paper.pdf
Q1：解决了什么？
目前主要利用机器学习来解决目标识别任务；
机器学习可以通过“扩充数据集”、“强化训练模型”、“充实预防过拟合的手段”等多种技巧去提高训练性能。
之前机器学习所使用的数据集太小，只能完成简单的识别任务，但是实际场景中识别任务要复杂得多，因此需要更加大型的数据集去训练；
直到最近出现了符合条件的大型数据集（如LabelMe、ImageNet），但是之前的方法都是针对小型数据集的，因此需要更加强大的方法模型来训练大型数据集；
于是，CNN模型闪亮登场！
本文提出的AlexNet模型，正是对传统CNN进行改善来训练大型数据集ImageNet，实现将 ImageNet LSVRC-2010 竞赛中的120万张高分辨率图像分为1000个不同的类别，使得深度学习开始在各个领域大显身手，为后续优秀的网络的提出奠定基础（后面的ImageNet冠军都是用CNN来做的）。
Q2：怎么解决的？ 1、网络结构5层卷积层+3层全连接层：
第2、4、5层卷积层中的内核仅连接到前一层中位于同于同一GPU上的特征图；
第3层卷积层中的内核与前一层中所有的特征图相连接。
各卷积层的完整操作：
第1层、第2层卷积层的完整操作：Conv→LRN→MaxPooling→ReLU；
第3层、第4层卷积层的完整操作：Conv→ReLU；
第5层卷积层的完整操作：Conv→MaxPooling→ReLU。
2、创新点 1）非饱和激活函数使用了非饱和激活函数ReLU，有效防止了梯度消失。
关于非饱和激活函数的解释：https://blog.csdn.net/qq_40824311/article/details/103017760
2）多个GPU并行训练采用了2块GPU进行训练，每个GPU负责一半的神经元，2个GPU只在第3层卷积层进行通信。有效降低了top-1 error和top-5 error。
3）LRN（局部响应标准化）采用了LRN（局部相应标准化），使AlexNet的top-1和top-5错误率分别降低了1.4%和1.2%；
局部响应标准化：有助于提升AlexNet的泛化能力，这种方法受真实神经侧抑制（later inhibition）的启发。
侧抑制：一个细胞分化为不同细胞时，它会对周围的细胞产生抑制信号，组织它们向相同方向分化，最终表现为细胞分化命运的不同。
LRN对局部神经元的活动创建竞争机制，使得响应较大的值变得相对更大，并抑制其他反馈较小的神经元，增强了模型的泛化能力。
LRN公式：
注：\(a_{x,y}^{i}\)表示第i个通道第x行，第y列对应像素的具体值
采用了“带重叠的池化（overlapping pooling）”（即令池化步长<池化窗口边长），不易产生过拟合。
5）数据集增强利用“图片平移&水平翻转”和“改变RGB色差”，实现数据集增强。
6）引入“Dropout失活”利用dropout（失活率=0.5），有效预防了过拟合。
Dropout介绍：https://www.jianshu.com/p/21d4c64fb8b5