一、摘要
了解CNN必读的一篇论文，有些东西还是可以了解的。
二、结构
1、 Relu的好处： 1、在训练时间上，比tanh和sigmod快，而且BP的时候求导也很容易
2、因为是非饱和函数，所以基本不会出现梯度消失的情况
Relu只要控制好learing rate，可以说是完胜之前的激活函数，也因此可以帮助我们训练更深层次的网络。
现在对Relu的进一步增强还有研究，有兴趣可以了解。
2、GPU并行计算在当时是个很好思路，不过作者的trick就有点...虽然说是通过cross-validation得到的结论，但我觉得对以后的研究，意义不是很大
3、局部归一化应该也是一个trick，暂时没接触过..以后再看看
4、overlapping pooling也是在后来没怎么听说过的..
三、减少过拟合
1、数据增加
（1）图像变换
这是一个非常好，也非常常用且非常实用的方法...
原始图像为一个大图a，想把一短边缩小到256维得到b，然后在b的中心取256*256的正方形图片得到c，然后在c上随机提取224*224的小图片作为训练样本，然后在结合图像水平反转来增加样本达到数据增益。这种增益方法是样本增加了2048倍，允许我们运行更大的网络。
（2）调整RGB值
具体思路是：对三个channel分别做PCA分析，得到主成成分后，在相应的维度上做一些jittter，增加或减少一些服从高斯分布，标准差为0.1的随机变量，这样可以得到一些和原来相似且有意义的数据。
2、Dropout
这也是一个相当牛逼的技术，通过对神经元概率话的激活，既可以达到多个模型combine的效果（因为每次的结构都不同，但又共享参数），有不用花太多的时间去训练多个网络。
四、思考
有几个问题还是可以拎出来想想的。
1，两个GPU基本是一样的环境，但训练出来的卷积核却完全不同，why？
2.还是网络结构的问题，为什么这样就可以...
五、总结
说实话，看完这篇论文并没有学到太多，不是这篇文章不牛逼，而是太牛逼了，以至于后面大多数CNN方面的研究都用到了里面的理论，所以很多都有种似曾相识的感觉，但作为CNN的翻身之作，确实值得一读！