挑战赛的论文范文

英语教育论文范文2000字

无论是身处学校还是步入社会，大家都不可避免地会接触到论文吧，论文可以推广经验，交流认识。相信写论文是一个让许多人都头痛的问题，以下是我为大家整理的英语教育论文范文2000字，仅供参考，希望能够帮助到大家。

论文题目： 浅析游戏教学法在中职英语课堂教学中的应用

摘要： 情感因素对语言学习有很大的影响。中职学生在英语学习方面普遍存在着基础薄弱、学习动机不强等学习焦虑方面的问题，英语课堂教学因此存在着互动消极、教学反馈少、效果差的情况。游戏教学法从理论和实际效用上对于改善这种情况都是很好的应用。

关键词： 游戏教学法;中职英语;课堂教学

英语是当今世界通用语言，我们在生活和工作中越来越多地接触、使用到英语，学好英语对于当代中职生的职业发展和个人素质的提高都是非常有益和必要的。但是实际情况是，中职生的英语基础普遍薄弱，存在不同程度的英语学习焦虑，有的中职生，由于英语基础比较薄弱，对英语失去了兴趣，出现了对英语失去信心的现象，从而导致英语课堂教学开展困难，教学效果不理想。

一、中职英语课堂教学的现状

1.教师讲授为主，师生互动为辅，学生参与度低。中职英语教学课时有限，为了完成既定的教学内容，语言知识的讲解和练习占据了大多数的课堂教学时间。师生间互动教学以教师提问，学生作答为主，学生间生生互动以课文对话的替换练习为主，形式内容单调。学生对此不感兴趣，形成了“老师讲，学生听”的单调局面。有时上课还有学生玩手机、睡觉等现象，课堂效果非常不好。

2.教材设定的情景互动内容趣味性弱，学生参与度低下。现行教材中设定的情景练习以生活类英语会话为主，如购物、就餐、问路、看病等，缺乏趣味性。中职学生处于爱玩爱闹的青春期，此类会话练习难以触动学生的兴奋点。

3.学生基础薄弱，有不同程度的英语学习焦虑。在开展课堂互动时，中职生往往沉默应对，或是消极敷衍，鹦鹉学舌，应付了事。即使教师积极地鼓励学生，这种正面的评价也很难得到学生自己的认同。

二、语言学习中的情感因素影响

语言学家斯蒂芬·克拉申(Stephen Krashen)的情感过滤假设理论(Affective Filter Hypothesis)认为，“有了大量的适合的输入的环境并不等于学生就可以学好目的语了，第二语言习得的进程还受着许多的情感因素的影响。语言输入(input)必须通过情感过滤(filter)才有可能变成语言吸入(intake)。”也就是说，情感因素起着促进或阻碍的作用。“高情感过滤会限制习得，而低情感过滤则有助于习得。”情感因素则包括动机、自信心及焦虑程度。

英语学习中的焦虑主要指学习者需要用英语这种第二语言进行表达时产生的恐惧或不安心理。Horwitz等(1986)确定了语言焦虑的三个成因：交际畏惧、考试畏惧和负面评价畏惧。在英语课堂教学中，中职生的交际畏惧和负面评价畏惧表现得非常明显。交际畏惧是指尽管语言学习者有成熟的想法和意见，但因为无法进行合理有效的语言输出引发的焦虑。要克服这种畏惧心理，要求一个轻松、愉快的学习氛围。负面评价畏惧则是指学生的自我效能感低，对自己的英语水平和能力缺乏自信心，担心无法得到肯定评价，自尊心又导致害怕接受否定评价。针对这种畏惧，一个单纯反映语言输出效果，而不加人为评价的语言环境是比较有益的。

三、注意的规律和教学游戏

无意注意也叫不随意注意，它是一种没有预定目的，也不需要意志努力的注意。引起无意注意的原因来自两个方面，一是客观刺激物的特点，二是人的主体状态。注意的规律表明：(1)那些符合人的需要和兴趣的事物，容易引起人的无意注意。(2)新颖充实、难易适当的教学内容和多样化的教学方法能保持学生的注意力。心理学的研究表明，最能引起注意的是那些既使人感到熟悉，又有些陌生的内容。而教学方法的多样化，则符合“不断变化的刺激”这一无意注意的规律，能激发学生定向探求活动，不致使定向反射由于刺激物的习惯化而消失。中职生是爱玩爱闹的青少年群体，多数喜欢做游戏，对这种形式有较高的接受度和兴趣，并且教学游戏有多种变化形式，可以提供“不断变化的刺激”，非常符合无意注意的教学规律。利用无意注意规律的教学游戏，有利于学生形成正确的学习方法和良好的学习习惯，有利于化难为易，减轻学生负担。

四、游戏教学法在中职英语课堂教学中的应用

1.游戏教学法的应用原则。

(1)目标性原则：教学游戏的设计要以教学为中心，与其密切相关。不能一味追求趣味性，而必须充分考虑教学目的、教学内容、教学要求。

(2)竞争性和协作性原则：游戏具有比赛的性质，这有助于学生克服害羞、怕说错的心理障碍;以小组的形式展开的游戏要求每个成员积极参与，为了完成同一任务互相配合，有助于克服学生的懈怠和懒惰情绪，同时培养了学生的团队精神和协作意识。

(3)层次性原则：一方面要遵循循序渐进的原则，设计一系列由易到难的游戏活动。另一方面要注意面向全体学生，根据学生的实际水平分层次地开展游戏活动，让全体学生都有机会参与，都能体验到成功的喜悦。

(4)创新性原则：根据学生的反馈和实际教学效果，不断地设计和创新新的游戏，让学生也参与到游戏的设计中来，充分调动学生的主动性和积极性。

2.游戏教学法实例。

(1)猜词游戏(词汇主题的练习)。游戏方法一：同学A对单词进行描述(Oral Description)，同学B来猜测。如“It is a kind of fruit，it has green skin and red inside.”游戏方法二：用问答形式进行猜词。给出既定范围内的单词，比如交通工具类。同学A用规定的一般疑问句句型发问，如“Does the vehicle have wheels?”同学B只能回答“Yes”或“No”。两组同学分别进行，规定时间内猜出更多词汇的一组获胜。这是一种促使学生积极思维，考察学生对知识点掌握情况的好方法。

(2)传话游戏(句子的口语练习)。学生分两组，教师把课文中的好句子或使用重点短语和词汇的句子告诉每组的第一位学生，这位学生迅速口述给第二位学生，一个一个往下传，让最后一位学生说出这句话与第一位学生所说的进行比较，看哪组传话传得又快又好，准确说出的小组为获胜者。这种方式可练习学生的听说能力，且能对课文的知识点掌握得更好。这种寓教于乐的形式，很受学生的欢迎，他们思维活跃，反应灵敏，在游戏中，就学到了很多短语和词汇，这是一举两得的好的教学方式。

(3)一站到底(文化类主题的练习)。每组选出一名学生参加游戏，以抽签的方式产生一位擂主，其他同学依次进行挑战，挑战胜利者成为下一轮的擂主接受挑战，最后站在擂主位置的同学为获胜者。挑战的题目内容是与文化相关的，每个同学答题时间有一定的限制。如“When is Christmas?(圣诞节是何时?)Whatdo westerners use when they eat?(西方人用什么吃饭?)”

(4)“记忆达人”秀(以复习职业类单词为例)。教师快速呈现一组图片，其中包括职业类、食品类、运动类等，然后要求学生说出共有几幅关于职业的图片以及这些职业的单词，答出最多者为“记忆达人”。可以把学生的积极性调动起来进行比赛。答案正确，答对数量多者为优胜者，现场发“记忆达人”小红旗。也可以进行“记忆达人”挑战赛，最终获胜者，为“记忆达人”霸主，从而激发学生的积极性。

(5)单词接龙游戏。教师给出单词，如holiday，要求学生用尾字母作为首字母给出新单词，以此类推，单词不能重复。两组同学比赛，规定时间内说出更多单词的一组获胜。在此游戏中尽量鼓励学生给出新单词。这一游戏要求学生能迅速地听出前一个学生给出的单词，且对该单词的拼写要非常熟悉，这可帮助学生记忆单词，其他的学生也可锻炼听力及巩固单词的记忆。这样既可活跃气氛，又锻炼学生的反应能力，是学生喜欢的一种非常有效的接龙游戏。

五、结论

孔子曾经说过：“知之者不如好之者，好之者不如乐之者。”心理学研究表明，当一个人充满兴趣地干一件事时，创造性和主动性会得到高效发挥。他们会积极主动地去求知，去实践，并在成功的体验中收获学识增加、智力提高的乐趣和满足感，从而变得乐于学习，善于学习。实践表明，这种玩中学、学中玩的游戏教学法是中职学生乐于接受的一种情景教学方式，既可以优化中职英语课堂教学，调节课堂的学习氛围，又可以使中职学生学习和掌握知识，让学生学以致用，还可以充分调动中职学生的非智力因素和潜力，使学生改变以往消极懈怠的不良学习态度。总之，只要中职英语教师在实施游戏教学法时精心设计、运用得体，就能够提高中职学生英语学习的兴趣和效率。

参考文献：

[1]王茹。浅谈课堂游戏法在高职英语课堂中的应用[J].读与写：教育教学刊，2010，(03)。

[2]孙杰。重视情感因素，激活学生思维：浅谈游戏教学法在职校英语教学中的应用[J].中等职业教育，2012，(02)。

[3]程晓堂，郑敏。英语学习策略[M].北京：外语教学与研究出版社，2002.

【内容摘要】 今后的教学模式的发展趋势是从哲学范畴去创新课堂教学形式，在生成观视域下探索学生的心理发展，最终以课堂教学为外在形式，使学生能够形成积极的人生观、价值观。本文从“生成观”的角度来理解大学英语教学过程，对其价值导向、主体生成、生活属性等进行哲学关注，希望从理论上重新理清大学英语的教育思路，提高教学效果。

【关键词】 生成观；大学英语教育；价值导向；主体生成

将英语课堂的视角投向大学英语教学的课堂之外，从知识的传授到学生专业技能的学习，再从专业技能到健康和谐的心理活动的生成。今后的教学模式的发展趋势是从哲学范畴去创新课堂教学形式，在生成观视域下探索学生的心理发展，最终以课堂教学为外在形式，使学生能够形成积极的人生观、价值观。

一、生成观的哲学阐释

哲学家海德格尔对生成观的解释是：最为独立的“人”的存在，不能单纯的独立于社会之外，而是将其看做是社会各自然人相互作用的结果。其本质就是将“人”看做不断生长、不断完善的一个过程的产物。从哲学的角度来理解就是每一个个体都是相互影响、相互促进的“社会性人的存在”，不再单纯将“人”看做生命机体的.存活，而是将其视为“生成性的社会存在”。在大学英语教育的过程中，从“生成观”的角度来理解教学过程就是：不再将课堂教学视为单纯的知识传授，而是要从学生的知识形成过程去分析其影响因素，从心里层面、社会角度去分析探究提高学生的成长过程。从哲学的范畴就是强调学生学习的的客观性、社会性、过程性，围绕上述几个方面展开大学英语的教育活动。也就是说，大学英语教育活动中教与学的都是在社会大背景下，相互影响、相互促进的自然过程。从辩证角度去理解教学过程，对完善教学活动，提高学生综合素质有着积极的意义。

二、生成观视域下的大学英语教学

对于生成观视域下的大学英语教学活动解读，主要体现在三个方面。一是教学互动，大学课堂不再是大学教师主导的教学活动，而是需要教师和学生、学生和学生、教师与教师之间的双向、多角度互动交流，将知识的传授变成交流互动的最终产物，这也是知识本身由来的客观性存在。二是从心理、文化、环境等多角度去分析教学影响因素，更加客观的评价教学活动。大学英语教育过程是受以上诸多因素影响的，不再单纯的去完善大学课堂教学模式。这样的体系更加客观，更能综合性的分析评定大学英语教育活动。三是辩证理解学生及教师之间的关系。之前的教学活动，大学教师是教学主体，主导学生的学习活动。

（一）大学英语的价值导向

首先，大学英语教育切合现实需求。在大学英语教育的整个过程中，大学教材的选择、课堂组织形式、教学效果评价等等都需要与当前的市场经济需求相吻合。学生在学习的过程中，可以有效的将知识与现实需求结合起来，不仅提高了学习效率，而且学习的主动性大大提高。在这样的价值背景下，现实需求不是追求短期的经济需求，而是要将眼光放远，应用更加开阔的角度来审视我们当前的英语教学过程。其次，大学英语教学合乎未来需求。在变化多端的社会活动中，要有前瞻性的眼光，对当前的英语教育活动进行必要的探究，将教育活动最大化的与现实需求进行良性互动，最终能在英语教育的过程中，提高学生知识的综合运用的能力。学生的毕业时间往往与当前的英语学习有时间上的差异，也就是说知识的学习与应用不是同时进行的，这就要求教师在组织教学活动时，对知识的未来需求有一定的前瞻性，使学习的内容合乎市场经济的未来需求。第三，大学英语教育要存些“功利心”。在当前的大学英语教学中，教学活动的组织都在考试这一指挥棒下进行，这虽然能在短期内提高学生的学习成绩，但是从根本上来讲忽略教育的本质功能，是培养学生良好知识架构和实践技能，最终能在毕业后得到合适的工作，在社会上能谋生。也就是说，我们的大学教育应该在满足成绩的需求基础上，对于学生的学习内容进行相应的创新变革，最终满足学生基本的就业需求。

（二）大学英语教学的主体生成

第一，大学英语教育中的主体之一是教师。教师在教育活动中的意义不言而喻，在传统的教育活动中，更多的是关注教师的传道授业解惑，也就是说教师能否完成本职工作，很少对教师的自身价值观念和知识架构进行评价分析。在教书育人的过程中，教师的外在形式与内心诉求有着统一性的表现。第二，大学英语教育活动的主体之一是学生。学生在学习活动中，对于知识的掌握和基本实践技能的提高都与学生自身的学习行为有着密切的联系。在生成观视域下，学生的学习活动不再是单一的个体行为，而是在社会活动的范围内完成学习过程。学生在学习过程中，应该讲自身的心理活动、学习环境、文化素质等等因素与自身的学习活动结合起来，客观性的评价自身的学习行为，最终提高自身文化素养及社会实践能力。

（三）大学英语教学的生活属性

在生成观视域下，对大学英语教学活动进行分析总结，得出教学活动本身就是自然人社会活动的缩影。大学教学活动是教师与学生互动存在的社会活动，这本很就是生活的一部分。所以在教学活动中，教师与学生之间的互动交流都要本着乐观的生活态度进行，在良好的价值观引导下，进行相应的教学活动，这样往往能够达成最初的教学目标。生成观视域下的大学英语教育实践活动要本着教与学的双向交流互动、多角度分析影响因素及尊重知识的客观存在性基础上展开教学活动的组织、策划。生成观视域下的教学活动其本质是探究知识存在的客观性，在教学活动中，学生及教师相互尊重，共同交流，在此基础上不断获取文化知识，提高社会实践技能。

参考文献

[1]海德格尔.存在与时间[M].北京:生活.读书.新知三联书店,2006．

[2]王守仁.坚持科学的大学英语教学改革观[J].外语界,2013(6).

摘要： 我国传统的高校英语教育偏向于应试教育，学生更多地只是为了应付考试过级，哑巴英语现象十分严重。因此，随着互联网技术的发展，高校英语教育在跨文化的视域下需要做好转型和改革。而且，高校英语教育必须适应互联网的传播方式，同时，高校英语教育还要注意互联网时代跨文化的影响。

关键词： 互联网时代；跨文化；高校英语教育

任何语言的学习都是文化的体现，同样，对于英语的教育其实也是一种文化的体现，我国传统的高校英语教育更重视的是应试教育，导致学生实践应用能力比较差，只是为了应付考试而学习英语。而随着社会的发展，以及网络技术、电子信息技术、通信技术和互联网技术的进步，全世界已经进入到了互联网时代。在互联网时代，由于以新媒体为代表的媒体传播以快速和便捷的优势迅速影响了全世界，互联网让全世界无论身在何时何地都可以迅速地获得自己想要的资料，在此大背景下，互联网的优势逐渐显现出来，跨文化融合趋势愈加明显。区域文化和地区文化很容易随着新媒体和互联网的传播进入到任何国家，所以，高校英语教育也应该做好转型和改革，从而更好地适应社会的变化和发展，促进高校英语教育水平的进一步提升。

一、高校英语教育必须适应互联网的传播方式

互联网传播方式的特点是快速和便捷，高校英语教育是一种语言学习，而语言学习首先需要的是语言的氛围和环境的熏陶，以及多语言文化的了解。在互联网时代，高校英语教育应该有效利用互联网的优势，在帮助学生学好英语的同时，教会学生在具备多渠道和传播优势的互联网上获取自身英语学习所需要的有效资料，丰富英语教育的内容，同时还应该提高学习的趣味性和生动性。高校的英语教育可以加强人才培养方案的改革与创新，让学生多进行实践性的教学，在互联网上获取自己所需要的教学资源，并且还可以进一步强化英语教学内容和教学手段的改进。互联网的发展影响了很多人，对于高校的英语教育而言，利用互联网来进行英语教学的改革势在必行，互联网的优势在于它可以丰富教学内容和教学方法，可以激发学生学习英语的兴趣，可以调动学生学习英语的积极性，从而使学生在互联网的帮助下更好地学习英语。客观地说，互联网为高校的英语教育带来了机遇，同时也带来了挑战，一方面，互联网充实了高校英语教学的教学内容，丰富了高校英语教学的教学模式；另一方面，在一定程度上，互联网在提高高校的优质英语教学方法方面提出了挑战。

二、高校英语教育要注意互联网时代跨文化的影响

互联网时代，语言早已经成为了一种传播文化的有效工具，学习一国的语言也必须要了解一个国家的文化，随着全球的一体化发展，跨文化的思想也逐渐成为学习语言的一种障碍，尤其是高校英语教学，如果不能摈弃哑巴英语的学习方式和方法，不能在跨文化语境中有效地学习英语，就无法真正地掌握英语的精髓。因此，为了学好英语这门语言，就应该加强对英美文化的全面了解，尤其是在跨文化的过程中，要注意英美思维的融入，只有这样，才能找到英语的精髓，才能确保英语学习效率。文化的接受是一个长期的过程，跨文化视域下的英语学习和高校英语教育更应该关注学生学习的过程，尤其是如何让学生在学习过程中从跨文化的观念出发，借用互联网的优势来做好自身英语的学习。语言的学习和文化的融合是息息相关、密不可分的，对于文化的了解有利于强化语言学习，而互联网时代恰好为英语教学的发展提供了条件。在高校的英语教学中，可以通过互联网来了解跨文化背景下的西方文化，便于自身更好地掌握这门语言，并且精通这门语言的学习。

三、结语

随着教育的进一步发展，高等教育已经逐步开始了应用型教育的转型，尤其是在互联网市场上，高等教育应该与时俱进，做好高校教育的工作，英语教育亦是如此，英语教育不同于其他的高校教育，是一门跨文化背景下的语言教育，因此，想要学会他国的语言，首先需要充分了解该国的文化背景，那么，如何在互联网时代，在跨文化视域的背景下提高高校英语教学水平，培养出更多的适合社会发展的人才成为需要研究的重要问题。

参考文献：

[1]高欣.基于中西文化差异视域下对高校英语跨文化教育的研究[J].艺术品鉴,2015(5):215.

[2]李阳.跨文化视域下的英语阅读教学新思路探究:基于新课改文化教学政策性要求的反思[J].黑龙江生态工程职业学院学报,2015(1):109-110,125.

[3]武晓燕.跨文化视域下的大学英语听说课教改研究[J].中国成人教育,2013(19):179-181.

[4]彭早.文化多元化视域下高校思想政治教育实效性探究[D].重庆:重庆理工大学,2014.

[5]臧轶楠.英语文化教育视域下大学生跨文化意识的培养[J].长春理工大学学报,2013(4):120-121.

[6]赵耀.商务英语视域下跨文化交际能力的培养[J].长春理工大学学报:社会科学版,2012(3):182-184.

这个怎么回答啊 你找个大学生不就得了

Abstract

我们训练了一个大型的深度卷积神经网络，将ImageNet lsvprc -2010竞赛中的120万幅高分辨率图像分类为1000个不同的类。在测试数据上，我们实现了top-1和top-5的错误率，分别为和，这与前的最高水平相比有了很大的提高。该神经网络有6000万个参数和65万个神经元，由5个卷积层(其中一些后面接了最大池化层)和3个全连接层(最后的1000路softmax)组成。为了使训练更快，我们使用了非饱和神经元和一个非常高效的GPU实现卷积运算。为了减少全连通层的过拟合，我们采用了一种最近发展起来的正则化方法——dropout，结果显示它非常有效。我们还在ILSVRC-2012比赛中输入了该模型的一个变体，并获得了的top-5测试错误率，而第二名获得了的错误率.

1 Introduction

当前的物体识别方法主要利用机器学习方法。为了提高它们的性能，我们可以收集更大的数据集，学习更强大的模型，并使用更好的技术来防止过度拟合。直到最近，标记图像的数据集在成千上万的图像(例如，NORB [16]， Caltech-101/256 [8,9]， CIFAR-10/100[12])中相对较小。使用这种大小的数据集可以很好地解决简单的识别任务，特别是如果使用保存标签的转换来扩展它们。例如，MNIST数字识别任务的当前最佳错误率(<)接近人类性能[4]。但是现实环境中的物体表现出相当大的可变性，所以为了学会识别它们，有必要使用更大的训练集。的确，小图像数据集的缺点已经被广泛认识(例如，Pinto等人的[21])，但直到最近才有可能收集数百万张图像的标记数据集。新的更大的数据集包括LabelMe[23]，它由成千上万的全分段图像组成，和ImageNet[6]，它由超过22000个类别的超过1500万标记的高分辨率图像组成。

要从数百万张图像中了解数千个物体，我们需要一个具有巨大学习能力的模型。 然而，对象识别任务的巨大复杂性意味着即使像ImageNet这样大的数据集也无法指定这个问题，因此我们的模型也应该具有大量的先验知识来补偿我们没有的所有数据。卷积神经网络(Convolutional neural networks, CNNs)就是这样一类模型[16,11,13,18,15,22,26]。它们的能力可以通过改变深度和宽度来控制，而且它们还对图像的性质(即统计的平稳性和像素依赖的局部性)做出了强有力且最正确的假设。 因此，与具有相似大小层的标准前馈神经网络相比，CNNs具有更少的连接和参数，因此更容易训练，而其理论上最好的性能可能只会稍微差一些。

尽管CNNs的质量很吸引人，尽管它们的本地架构相对高效，但在高分辨率图像上大规模应用仍然非常昂贵。幸运的是，当前的gpu与高度优化的2D卷积实现相结合，已经足够强大，可以方便地训练有趣的大型CNNs，而最近的数据集(如ImageNet)包含了足够多的标记示例，可以在不严重过拟合的情况下训练此类模型。

本文的具体贡献如下：

最后，网络的大小主要受到当前gpu上可用内存的大小和我们愿意忍受的训练时间的大小的限制。我们的网络需要5到6天的时间来训练两个GTX 580 3GB GPU。我们所有的实验都表明，只要等待更快的gpu和更大的数据集可用，我们的结果就可以得到改善。

2 The Dataset

ImageNet是一个包含超过1500万张高分辨率图像的数据集，属于大约22000个类别。这些图片是从网上收集来的，并由人工贴标签者使用亚马逊的土耳其机械众包工具进行标记。从2010年开始，作为Pascal视觉对象挑战赛的一部分，每年都会举办一场名为ImageNet大型视觉识别挑战赛(ILSVRC)的比赛。ILSVRC使用ImageNet的一个子集，每个类别大约有1000张图片。总共大约有120万张训练图像、5万张验证图像和15万张测试图像。

ILSVRC-2010 是唯一可用测试集标签的 ILSVRC 版本，因此这是我们进行大多数实验的版本。由于我们也在 ILSVRC-2012 竞赛中加入了我们的模型，在第6节中，我们也报告了我们在这个版本的数据集上的结果，对于这个版本的数据集，测试集标签是不可用的。在 ImageNet 上，通常报告两个错误率：top-1 和 top-5，其中 top-5 错误率是测试图像的一部分，其中正确的标签不在模型认为最可能的五个标签中。

ImageNet由可变分辨率的图像组成，而我们的系统需要一个恒定的输入维数。 因此，我们将图像降采样到256 * 256的固定分辨率。给定一个矩形图像，我们首先重新调整图像的大小，使其短边长度为256，然后从结果图像中裁剪出中心的256%256块。除了从每个像素中减去训练集上的平均活动外，我们没有以任何其他方式对图像进行预处理。因此，我们将网络训练成像素的原始RGB值(居中)。

3 The Architecture

ReLU Nonlinearity

Training on Multiple GPUs

Local Response Normalization

Overlapping Pooling

Pooling layers in CNNs summarize the outputs of neighboring groups of neurons in the same kernel map. Traditionally, the neighborhoods summarized by adjacent pooling units do not overlap (.,[17, 11, 4]). To be more precise, a pooling layer can be thought of as consisting of a grid of pooling units spaced s pixels apart, each summarizing a neighborhood of size z z centered at the location of the pooling unit. If we set s = z, we obtain traditional local pooling as commonly employed in CNNs. If we set s < z, we obtain overlapping pooling. This is what we use throughout our network, with s = 2 and z = 3. This scheme reduces the top-1 and top-5 error rates by and , respectively, as compared with the non-overlapping scheme s = 2; z = 2, which produces output of equivalent dimensions. We generally observe during training that models with overlapping pooling find it slightly more difficult to overfit.

Overall Architecture

Now we are ready to describe the overall architecture of our CNN. As depicted in Figure 2, the net contains eight layers with weights; the first five are convolutional and the remaining three are fully-connected. The output of the last fully-connected layer is fed to a 1000-way softmax which produces a distribution over the 1000 class labels. Our network maximizes the multinomial logistic regression objective, which is equivalent to maximizing the average across training cases of the log-probability of the correct label under the prediction distribution.

4 Reducing Overfitting

Data Augmentation

Dropout

结合许多不同模型的预测是减少测试错误的一种非常成功的方法[1,3]，但是对于已经需要几天训练的大型神经网络来说，这似乎太昂贵了。然而，有一个非常有效的模型组合版本，它在训练期间只花费大约2倍的成本。最近介绍的技术称为dropout[10]，它将每个隐藏神经元的输出设置为0，概率为。以这种方式丢弃的神经元不参与正向传递，也不参与反向传播。所以每次输入时，神经网络都会对不同的结构进行采样，但是所有这些结构都共享权重。这种技术减少了神经元之间复杂的相互适应，因为神经元不能依赖于特定的其他神经元的存在。因此，它被迫学习与其他神经元的许多不同随机子集结合使用的更健壮的特征。在测试时，我们使用所有的神经元，但将它们的输出乘以，这是一个合理的近似值，近似于取由指数型多退出网络产生的预测分布的几何平均值。

我们在图2的前两个完全连接的层中使用了dropout。没有dropout，我们的网络显示出大量的过拟合。Dropout使收敛所需的迭代次数增加了一倍。

5 Details of learning

7 Discussion