现代社会每天都会产生大量的图像,为了快速而准确地访问特定的图像,我们有必要对图像进行分类。人工图像分类方法和简单属性(如日期等)图像分类方法已经不能满足对当前急速增加的图像进行分类的需求。为了对大规模图像进行高效分类,本文设计了一个基于深度卷积神经网络的图像分类模型,并在包含有1,000类1,200,000张高分辨率图像的ImageNet LSVRC-2012图像数据集上训练。该深度卷积神经网络具有65,000,000个参数和65,000个神经元,包含5个卷积层(其中,部分紧随着最大池化层)和3个全联层(包含最终1,000路输出)。为了提高训练速度,本文将该模型通过CUDA通用计算平台搭载在高性能GPU上,并将模型各层神经元的激活函数由传统的Sigmoid函数改为整流线性函数;为了防止模型过拟合,本文应用传统的仿射变换方法对图像数据进行了数据扩充,并在模型的网络结构中应用了一种名为“Dropout”模型组合方法;此外,为了防止模型在训练过程中出现ICS问题,本文在对模型进行训练时,对图像做了批归一化处理。整个分类模型在Ubuntu系统上实现,本文利用卷积神经网络框架Caffe对分类模型进行了具体部署和训练。整个模型的训练时间约7天,在标准验证数据集中,模型的top-1和top-5错误率指数分别达到了 36.7%和18.2%,保证了极佳的分类准确率。训练好的模型可直接在系统命令行调用,应用于生活中的图像分类场景。