导读
AlexNet 在 ImageNet 分类上大幅领先传统方法，使深度卷积网络成为计算机视觉主流。它把 Dataset Turn 推向能力生产：训练语料的规模、GPU 计算与 learned representation 开始形成一个强耦合系统。
查看大图 ↗所链接文献 PDF 的第 3 页，保留原图与原语言。页面版本以来源文件为准；后来的修订或重印日期不替代节点的历史日期。
Krizhevsky, Sutskever & Hinton · 原文献 · 图像权利归原权利人；不视为开放许可
资料出处 · AlexNet ↗档案研究说明
分类突破与生成艺术之间的距离
ANTI-AI ARCHIVE · 修订 2026-10-02
研究方法与具体变化
AlexNet 的研究对象是将 ImageNet 图像分到一千个类别，而不是生成绘画。论文摘要描述大型卷积网络、GPU 实现、加快训练的非饱和神经元，以及减少过拟合的方法。其成绩应放在特定数据集、类别和误差指标中理解，不能直接推广为机器在所有视觉任务上超过人类。
本节依据: AlexNet：深度卷积图像分类：资料依据
在艺术史中的位置
编者解释：这个节点的重要性在于视觉特征学习及其计算条件。后来的风格迁移与特征可视化使用视觉网络时，改变了网络的用途；把识别模型改为创作材料，本身就是需要叙述的历史转变。
本节依据: AlexNet：深度卷积图像分类：资料依据
正文引用资料
核读作者或会议页面的摘要与版本记录；未通读全部证明或复现实验。
本篇按引用范围扩写档案说明；研究解释不应被理解为原作者的自述或已证实的因果影响。 正文与译文使用 AI 辅助，尚未经独立人工审校；分节引文标明依据，不代表已独立验证全部史实。
带着问题继续阅读
比较本条与艺术风格的神经算法之间的制作方法、控制方式或展示语境。
比较本条与DeepDream：神经网络的可视化之间的制作方法、控制方式或展示语境。
日期与版本记录
节点标注日期：2012 · 来源记录的历史日期：2012
以上日期属于历史事件或资料所记版本，不是本站页面的上线日期；保留原有日期精度与待核事项。
原始资料与进一步阅读
以下链接通往来源的论文、文章、机构或会议页面。外部原文的语言以来源为准。
AlexNet
https://papers.nips.cc/paper/4824-imagenet-classification-with-deep-convolutional-neural-networks
当前引用地址
出处、翻译与核验状态
主线节点 #077 · 历史节点
研究资料与补充出处 · 1
AI 艺术谱系研究母版 · p. 15 · 043
原记日期: 2012
AlexNet：深度卷积图像分类 ↗
AlexNet
站内说明依据所列研究资料撰写，非外链全文译本；AI 辅助翻译，待独立人工审校。
母版研究论述与日期尚待独立核验。
引用本节点
ANTI-AI ARCHIVE. AlexNet：深度卷积图像分类. 艺术史节点 #077. https://salondesrefuses.cn/zh/art-history/043
引用具体史实时，请同时引用上方原始资料，并补充你的访问日期。本站说明不是外链全文译本。
相邻节点按时间顺序排列，不意味着二者存在直接影响或因果关系。