<!DOCTYPE html>
<html class="client-nojs vector-feature-language-in-header-enabled vector-feature-language-in-main-page-header-disabled vector-feature-page-tools-pinned-disabled vector-feature-toc-pinned-clientpref-0 vector-toc-not-available vector-feature-main-menu-pinned-disabled vector-feature-limited-width-clientpref-1 vector-feature-limited-width-content-enabled vector-feature-custom-font-size-clientpref-1 vector-feature-appearance-pinned-clientpref-0 skin-theme-clientpref-day vector-sticky-header-enabled" lang="de" dir="ltr"><head>
<meta charset="UTF-8">
<title>AlexNet</title>
<meta name="viewport" content="width=device-width, initial-scale=1.0">
<link rel="icon" type="image/png" href="./_res_/favicon.png">
<link rel="canonical" href="https://de.wikipedia.org/wiki/AlexNet"> <link href="./_mw_/ext.cite.styles.css" rel="stylesheet" type="text/css">
<link href="./_mw_/ext.wikimediamessages.styles.css" rel="stylesheet" type="text/css">
<link href="./_mw_/skins.vector.icons.css" rel="stylesheet" type="text/css">
<link href="./_mw_/skins.vector.search.codex.styles.css" rel="stylesheet" type="text/css">
<link href="./_mw_/skins.vector.styles.css" rel="stylesheet" type="text/css">
<meta name="ResourceLoaderDynamicStyles" content="">
<link href="./_mw_/ext.gadget.citeRef.css" rel="stylesheet" type="text/css">
<link href="./_mw_/ext.gadget.defaultPlainlinks.css" rel="stylesheet" type="text/css">
<link href="./_mw_/ext.gadget.dewikiCommonHide.css" rel="stylesheet" type="text/css">
<link href="./_mw_/ext.gadget.dewikiCommonLayout.css" rel="stylesheet" type="text/css">
<link href="./_mw_/ext.gadget.dewikiCommonStyle.css" rel="stylesheet" type="text/css">
<link href="./_mw_/ext.gadget.dewikiDarkmode.css" rel="stylesheet" type="text/css">
<link href="./_mw_/ext.gadget.dewikiResponsive.css" rel="stylesheet" type="text/css">
<link href="./_mw_/ext.gadget.specialSearch.css" rel="stylesheet" type="text/css">
<link rel="stylesheet" type="text/css" href="./_mw_/site.styles.css">
<link rel="stylesheet" type="text/css" href="./_mw_/noscript.css">
<link rel="stylesheet" type="text/css" href="./_res_/footer.css">
<link rel="stylesheet" type="text/css" href="./_res_/vector-2022.css">
</head>
<body class="skin--responsive skin-vector skin-vector-search-vue mediawiki ltr sitedir-ltr mw-hide-empty-elt ns-0 ns-subject page-AlexNet rootpage-AlexNet skin-vector-2022 action-view">
<div class="mw-page-container">
<div class="mw-page-container-inner">
<div class="mw-content-container">
<main id="content" class="mw-body">
<header class="mw-body-header vector-page-titlebar">
<h1 id="firstHeading" class="firstHeading mw-first-heading"><span class="mw-page-title-main">AlexNet</span></h1>
</header>
<a id="top"></a>
<div id="bodyContent" class="vector-body ve-init-mw-desktopArticleTarget-targetContainer" aria-labelledby="firstHeading" data-mw-ve-target-container="">
<div id="contentSub">
<div id="mw-content-subtitle"></div>
</div>
<div id="mw-content-text" class="mw-body-content mw-content-ltr" lang="de" dir="ltr"><div class="mw-content-ltr mw-parser-output" lang="de" dir="ltr">
<p><b>AlexNet</b> ist eine <a href="Convolutional_Neural_Network" title="Convolutional Neural Network">Convolutional-Neural-Network</a>-Architektur, die für Bildklassifizierungsaufgaben entwickelt wurde. Sie gilt als erste Anwendung von Deep Convolutional Networks, die im Bereich der <a href="Bilderkennung" title="Bilderkennung">Bilderkennung</a> herausragende Leistungen zeigte. Bei der <a href="ImageNet" title="ImageNet">ImageNet</a> Large Scale Visual Recognition Challenge erreichte sie im Jahr 2012 einen Top-5 Fehler von 15,3 % und war damit mehr als 10 Prozentpunkte besser als der zweitplatzierte Algorithmus.<sup id="cite_ref-1" class="reference"><a href="#cite_note-1"><span class="cite-bracket">[</span>1<span class="cite-bracket">]</span></a></sup>
</p><p>Alexnet wurde 2012 von Alex Krizhevsky in Zusammenarbeit mit <a href="Ilya_Sutskever" title="Ilya Sutskever">Ilya Sutskever</a> und seinem Doktorvater <a href="Geoffrey_Hinton" title="Geoffrey Hinton">Geoffrey Hinton</a> an der <a href="University_of_Toronto" title="University of Toronto">University of Toronto</a> entwickelt. Es hat 60 Millionen Parameter, 650.000 Neuronen und 8 Schichten. AlexNet zeigte, dass die Tiefe des Modells für seine hohe Leistung unerlässlich war; diese war zwar rechenintensiv, was aber durch die Nutzung von <a href="Grafikprozessor" title="Grafikprozessor">Grafikprozessoren</a> (GPUs) während des Trainings handhabbar wurde.
</p><p>Der Erfolg von AlexNet wurde durch die Konvergenz dreier Entwicklungen möglich, die in den zehn Jahren zuvor gereift waren: Die Verfügbarkeit großer gelabelter Datensätze, die Verfügbarkeit von GPU-Computing und verbesserte Trainingsmethoden für tiefe neuronale Netze. ImageNet bot ab 2009 Daten, die für das Training tiefer Modelle für eine breite Palette von Objektkategorien erforderlich waren und Fortschritte in der GPU-Programmierung durch die im Jahr 2007 eingeführte <a href="CUDA" title="CUDA">CUDA</a>-Plattform von <a href="Nvidia" title="Nvidia">Nvidia</a> erlaubten das Training der Modelle auf den dafür besser geeigneten Grafikkarten. Zusammen mit algorithmischen Verbesserungen ermöglichten diese Faktoren AlexNet, eine hohe Leistung bei großen Benchmarks der visuellen Erkennung zu erzielen.
</p><p>Die Architektur beeinflusste eine große Anzahl nachfolgender Arbeiten im Bereich <a href="Deep_Learning" title="Deep Learning">Deep Learning</a>, insbesondere bei der Anwendung neuronaler Netze auf <a href="Computer_Vision" title="Computer Vision">Computer Vision</a>. Mit Stand 2025 wurde das AlexNet Paper über 170.000 mal zitiert.<sup id="cite_ref-2" class="reference"><a href="#cite_note-2"><span class="cite-bracket">[</span>2<span class="cite-bracket">]</span></a></sup> AlexNet markierte den Startpunkt eines bis heute andauernden Booms im Bereich künstlicher Intelligenz,<sup id="cite_ref-3" class="reference"><a href="#cite_note-3"><span class="cite-bracket">[</span>3<span class="cite-bracket">]</span></a></sup> so dass bereits im Jahr 2015 die Fehlerquote bei der ImageNet Large Scale Visual Recognition Challenge von einem deutlich aufwändigeren neuronalen Netz mit über 100 Schichten auf 3,57 % gedrückt werden konnte.<sup id="cite_ref-4" class="reference"><a href="#cite_note-4"><span class="cite-bracket">[</span>4<span class="cite-bracket">]</span></a></sup>
</p><p>Geofrey Hinton wurde für seine Beiträge im Bereich künstlicher Neuronaler Netzwerke im Jahr 2024 mit dem Nobelpreis geehrt. Der <a href="Quelltext" title="Quelltext">Quellcode</a> von AlexNet wurde über das <a href="Computer_History_Museum" title="Computer History Museum">Computer History Museum</a> unter einer <a href="BSD-Lizenz" title="BSD-Lizenz">BSD-Lizenz</a> gemeinfrei gestellt.<sup id="cite_ref-5" class="reference"><a href="#cite_note-5"><span class="cite-bracket">[</span>5<span class="cite-bracket">]</span></a></sup>
</p>
<div class="mw-heading mw-heading2"><h2 id="Weblinks">Weblinks</h2></div>
<p>The Moment we stopped understanding AI [AlexNet] <a rel="nofollow" class="external text" href="https://www.youtube.com/watch?v=UZDiGooFs54">YouTube</a>
</p>
<div class="mw-heading mw-heading2"><h2 id="Einzelnachweise">Einzelnachweise</h2></div>
<ol class="references">
<li id="cite_note-1"><span class="mw-cite-backlink"><a href="#cite_ref-1">↑</a></span> <span class="reference-text">Alex Krizhevsky, Ilya Sutskever, Geoffrey E. Hinton: <cite style="font-style:italic">ImageNet classification with deep convolutional neural networks</cite>. In: <cite style="font-style:italic">Commun. ACM</cite>. <span style="white-space:nowrap">Band<span style="display:inline-block;width:.2em"> </span>60</span>, <span style="white-space:nowrap">Nr.<span style="display:inline-block;width:.2em"> </span>6</span>, 24. Mai 2017, <a href="Internationale_Standardnummer_f%C3%BCr_fortlaufende_Sammelwerke" title="Internationale Standardnummer für fortlaufende Sammelwerke">ISSN</a> <span style="white-space:nowrap"><a rel="nofollow" class="external text" href="https://zdb-katalog.de/list.xhtml?t=iss%3D%220001-0782%22&key=cql">0001-0782</a></span>, <span style="white-space:nowrap">S.<span style="display:inline-block;width:.2em"> </span>84–90</span>, <a href="Digital_Object_Identifier" title="Digital Object Identifier">doi</a>:<span class="uri-handle" style="white-space:nowrap"><a rel="nofollow" class="external text" href="https://doi.org/10.1145/3065386">10.1145/3065386</a></span> (<a rel="nofollow" class="external text" href="https://dl.acm.org/doi/10.1145/3065386">acm.org</a> [abgerufen am 15. Juni 2025]).<span class="Z3988" title="ctx_ver=Z39.88-2004&rft_val_fmt=info%3Aofi%2Ffmt%3Akev%3Amtx%3Ajournal&rfr_id=info:sid/de.wikipedia.org:AlexNet&rft.atitle=ImageNet+classification+with+deep+convolutional+neural+networks&rft.au=Alex+Krizhevsky%2C+Ilya+Sutskever%2C+Geoffrey+E.+Hinton&rft.date=2017-05-24&rft.doi=10.1145%2F3065386&rft.genre=journal&rft.issn=0001-0782&rft.issue=6&rft.jtitle=Commun.+ACM&rft.pages=84-90&rft.volume=60" style="display:none"> </span></span>
</li>
<li id="cite_note-2"><span class="mw-cite-backlink"><a href="#cite_ref-2">↑</a></span> <span class="reference-text"><span class="cite"><a rel="nofollow" class="external text" href="https://scholar.google.com/citations?view_op=view_citation&hl=en&user=xegzhJcAAAAJ&citation_for_view=xegzhJcAAAAJ:u5HHmVD_uO8C"><i>Google Scholar.</i></a><span class="Abrufdatum"> Abgerufen am 16. Juni 2025</span>.</span><span style="display: none;" class="Z3988" title="ctx_ver=Z39.88-2004&rft_val_fmt=info%3Aofi%2Ffmt%3Akev%3Amtx%3Adc&rfr_id=info%3Asid%2Fde.wikipedia.org%3AAlexNet&rft.title=Google+Scholar&rft.description=Google+Scholar&rft.identifier=https%3A%2F%2Fscholar.google.com%2Fcitations%3Fview_op%3Dview_citation%26hl%3Den%26user%3DxegzhJcAAAAJ%26citation_for_view%3DxegzhJcAAAAJ%3Au5HHmVD_uO8C"> </span></span>
</li>
<li id="cite_note-3"><span class="mw-cite-backlink"><a href="#cite_ref-3">↑</a></span> <span class="reference-text"><cite style="font-style:italic">From not working to neural networking</cite>. In: <cite style="font-style:italic">The Economist</cite>. <a href="Internationale_Standardnummer_f%C3%BCr_fortlaufende_Sammelwerke" title="Internationale Standardnummer für fortlaufende Sammelwerke">ISSN</a> <span style="white-space:nowrap"><a rel="nofollow" class="external text" href="https://zdb-katalog.de/list.xhtml?t=iss%3D%220013-0613%22&key=cql">0013-0613</a></span> (<a rel="nofollow" class="external text" href="https://www.economist.com/special-report/2016/06/23/from-not-working-to-neural-networking">economist.com</a> [abgerufen am 17. Juni 2025]).<span class="Z3988" title="ctx_ver=Z39.88-2004&rft_val_fmt=info%3Aofi%2Ffmt%3Akev%3Amtx%3Ajournal&rfr_id=info:sid/de.wikipedia.org:AlexNet&rft.atitle=From+not+working+to+neural+networking&rft.genre=journal&rft.issn=0013-0613&rft.jtitle=The+Economist" style="display:none"> </span></span>
</li>
<li id="cite_note-4"><span class="mw-cite-backlink"><a href="#cite_ref-4">↑</a></span> <span class="reference-text">Kaiming He, Xiangyu Zhang, Shaoqing Ren, Jian Sun: <cite style="font-style:italic">Deep Residual Learning for Image Recognition</cite>. In: <cite style="font-style:italic">2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR)</cite>. Juni 2016, <span style="white-space:nowrap">S.<span style="display:inline-block;width:.2em"> </span>770–778</span>, <a href="Digital_Object_Identifier" title="Digital Object Identifier">doi</a>:<span class="uri-handle" style="white-space:nowrap"><a rel="nofollow" class="external text" href="https://doi.org/10.1109/CVPR.2016.90">10.1109/CVPR.2016.90</a></span> (<a rel="nofollow" class="external text" href="https://ieeexplore.ieee.org/document/7780459">ieee.org</a> [abgerufen am 18. Juni 2025]).<span class="Z3988" title="ctx_ver=Z39.88-2004&rft_val_fmt=info%3Aofi%2Ffmt%3Akev%3Amtx%3Abook&rfr_id=info:sid/de.wikipedia.org:AlexNet&rft.atitle=Deep+Residual+Learning+for+Image+Recognition&rft.au=Kaiming+He%2C+Xiangyu+Zhang%2C+Shaoqing+Ren%2C+...&rft.btitle=2016+IEEE+Conference+on+Computer+Vision+and+Pattern+Recognition+%28CVPR%29&rft.date=2016-06&rft.doi=10.1109%2FCVPR.2016.90&rft.genre=book&rft.pages=770-778" style="display:none"> </span></span>
</li>
<li id="cite_note-5"><span class="mw-cite-backlink"><a href="#cite_ref-5">↑</a></span> <span class="reference-text"><span class="cite"><a rel="nofollow" class="external text" href="https://github.com/computerhistory/AlexNet-Source-Code"><i>computerhistory/AlexNet-Source-Code.</i></a> Computer History Museum, 15. Juni 2025,<span class="Abrufdatum"> abgerufen am 16. Juni 2025</span>.</span><span style="display: none;" class="Z3988" title="ctx_ver=Z39.88-2004&rft_val_fmt=info%3Aofi%2Ffmt%3Akev%3Amtx%3Adc&rfr_id=info%3Asid%2Fde.wikipedia.org%3AAlexNet&rft.title=computerhistory%2FAlexNet-Source-Code&rft.description=computerhistory%2FAlexNet-Source-Code&rft.identifier=https%3A%2F%2Fgithub.com%2Fcomputerhistory%2FAlexNet-Source-Code&rft.publisher=Computer+History+Museum&rft.date=2025-06-15"> </span></span>
</li>
</ol></div><!--htdig_noindex--><div><div class="zim-footer">
Dieser Artikel wurde von <a class="external text" title="Zuletzt bearbeitet am 2025-07-30" href="https://de.wikipedia.org/wiki/?title=AlexNet&oldid=258416917">Wikipedia</a> herausgegeben. Der Text ist unter <a class="external text" href="https://creativecommons.org/licenses/by-sa/4.0/deed.de">Creative Commons Attribution-Share Alike 4.0</a> verfügbar, sofern nicht anders angegeben. Für die Mediendateien können zusätzliche Bedingungen gelten.
</div>
</div><!--/htdig_noindex--></div>
</div>
</main>
</div>
</div>
</div>
<script src="./_webp_/webpHandler.js"></script>
</body></html>