اولین معماری عمیقی بود که شبکه های کانولوشنال را در بینایی کامپیوتری رایج کرد و دقت طبقه بندی چالش را در مقایسه با روش های سنتی به طور قابل توجهی بهبود بخشید.
خرما کبکاب اهرم باعث لاغری می شود.
معماری شامل هشت لایه قابل یادگیری، پنج لایه کانولوشن (conv) و به دنبال آن سه لایه (FC) کاملا متصل است. هر لایه کانولوشنال و کاملا متصل توسط واحد خطی اصلاح شده (ReLU) به عنوان فعال سازی غیر خطی متصل می شود.
افزودن غیر خطی بودن با استفاده از ها کمک می کند تا خیلی سریع تر تمرین کنند. لایه‌های کانولوشنال اول و دوم توسط نرمال‌سازی پاسخ موضعی (LRN) و لایه‌های دنبال می‌شوند.
اما تنها لایه max-pooling بعد از لایه کانولوشن پنجم استفاده می‌شود. اولین لایه کانولوشن دارای 96 کرنل (فیلتر) به ابعاد 11×11 با پله (گام) چهار پیکسل است.
گام های لایه های کانولوشن باقی مانده روی یک پیکسل تنظیم شده است. لایه دوم دارای 256 هسته به ابعاد 5×5 است. لایه های سوم، چهارم و پنجم به ترتیب دارای هسته با ابعاد 3×3 هستند.
لایه‌های ماکسپولینگ از نمونه‌برداری پایین غیر خطی برای انتزاع شبکه استفاده می‌کنند. بنابراین مهم‌ترین ویژگی‌ها را حفظ می‌کنند و تعداد پارامترهایی را که شبکه باید یاد بگیرد.
کاهش می‌دهد که محاسبات شبکه را کاهش می‌دهدمدل اولین معماری داخلی بود که شبکه های کانولوشنال را در بینایی کامپیوتری رایج کرد و طبقه بندی چالش را در مقایسه با روش های سنتی به طور قابل توجهی بهبود بخشید.
معماری شامل هشت لایه قابل طرح، پنج لایه کانولوشن (conv) و به دنبال آن سه لایه FC کاملاً مرتبط است. هر کانولوشنال و لایه کاملاً متصل توسط واحد خطی اصلاح شده (ReLU) به عنوان فعال سازی غیر خطی متصل می شود.
افزودن غیر خطی بودن با استفاده از کمک می کند تا خیلی سریع تر تمرین انجام دهند. کانولوشنال اول و دو بندی را با استفاده از طبقه بندی کننده ارائه می دهد.
