今天，我们将介绍深度学习领域的一个著名网络AlexNet。2012年，Hinton的学生Alex Krizhevsky在寝室用GPU死磕了一个Deep Learning模型，一举摘下了视觉领域竞赛ILSVRC 桂冠，在百万量级的ImageNet数据集合上，以62.5%的TOP1准确率夺得冠军，并远远领先于同期的其他算法，震惊了CV届。
AlexNet的出现，正式开启了卷积神经网络在图像处理和许多相关领域的应用，带来了这一波持续至今的深度学习热潮。
并且确立了深度学习在计算机视觉的统治地位，同时也推动了深度学习在语音识别、自然语言处理、强化学习等领域的拓展。
AlexNet为何能耐如此之大？有三个很重要的原因：
(1)大量数据，Deep Learning领域应该感谢李飞飞团队搞出来如此大的标注数据集合ImageNet；
(2)GPU，这种高度并行的计算神器确实助了洪荒之力，没有神器在手，Alex估计不敢搞太复杂的模型；
(3)算法的改进，包括网络变深、数据增强、ReLU、Dropout等
但要想吃透AlexNet难度不小：一方面AlexNet指明了深度卷积神经网络可以取得出色的结果，但并没有提供简单的规则以指导后来的研究者如何设计新的网络。
另一方面AI领域学术会议动辄上千篇文章，无论是准研究生还是现研究生，都会碰到这个问题。
想要高效筛选、阅读、复现论文，首先从积累大量的经典论文开始，因为前沿技术的更迭都是基于经典Paper的某个模型之上。前沿论文质量参差不齐，并不是每一篇都值得研读。
最后呢，有同学说他看论文时是这样的：
读论文的难点到底在哪里，我分析了一波：
1.重点难把握：动辄10多页的文字，看了半天找不出重点、关键点；
2.论文关系理不清：论文之间存在相互借鉴、引用，需要耗费大量的时间、精力才能理清，更何况大家阅历有限的情况下，根本就理不清；
3.公式图看不懂：公式复杂，步数过多，加大阅读理解难度，直接劝退新手；
4.无法复现论文代码：刚学python不久，python拓展c代码不会，编译问题不断，程序跑不起来，debugging....
5.坚持不下去：几乎以上任意一条就挺折磨人，如果你同时遇到上面三条困境，那就离放弃不远了。