为了降低ImageNet LSVRC-2010的分类错误，提出一种AlexNet网络(Krizhevsky, Sutskever, & Hinton, 2012)，该网络共有8层，包含5个卷积层和3个全连接层。针对网络训练耗时大，实现了一种基于GPU的卷积计算，此外，使用dropout技术有效避免全连接层的过拟合。最后，在ILSVRC-2012竞赛中，取得了15.3%的top-5错误率，比第2名降低了近10个百分点的错误。
文献认为卷积层的深度对分类效果影响较大，对于AlexNet而言，移除中间层的任意一个卷积层都有可能造成top-1的分类精度下降2%。
AlexNet网络的卷积层使用了11×11，5×5和3×3的三种不同尺寸大小的滤波器，这种设计的出发点是什么？
全连接层使用Dropout技术虽然在一定程度上能够缓解过拟合现象，然而全连接层巨大的参数量造成模型偏大，此外，全连接层对分类效果的贡献不清。文中是否有相关研究，为什么是3个全连接层，而不是2个或1个？增加一个全连接层和增加一个卷积层，二者对提升分类效果的贡献是否相同？
数据集的介绍放在第2章显得不太合理，通常情况下，会在实验设置一节介绍本文实验将使用的数据集。
AlexNet网络的贡献是：
在ILSVRC-2010和ILSVRC-2012上训练了一个当时最大的卷积神经网络，并取得了STOA的效果；
在GPU上实现了2D卷积和其他训练卷积网络的操作，得益于此，有效降低了AlexNet的训练时间；
利用ReLU、LRN、GPU训练深度卷积神经网络等方法，提升AlexNet网络的分类效果及降低训练时间；
引入数据增强、dropout技术避免过拟合；
文献评述：
AlexNet掀起了在GPU上训练深度卷积神经网络的浪潮；
AlexNet是不是当时最深的卷积神经网络，在当时训练深度卷积神经网络面临的主要挑战是什么，AlexNet是不是首次引入GPU来训练深度卷积神经网络的；
在介绍网络结构之前，充分说明了为什么引入这些技术，采用问题驱动的方式进行介绍；
