網路超引數包括：
輸入影象畫素、卷積層引數、池化層引數。
應事先將影象統一壓縮至 2n
2
n大小。
具體可檢視tensorflow中的api：tf.nn.conv2d
tf.nn.conv2d(input, filter, strides, padding, use_cudnn_on_gpu=none, name=none)有的說法是 「多用小卷積核替代大卷積核」 ，仁者見仁智者見智吧。
小卷積核
大卷積核
優勢1.減少卷積引數總數；2.增強了網路容量和模型複雜度。
1.網路層數少；2.收斂快。
劣勢1.整個網路的總計算量增加（雖然對單個卷積層而言計算量不變，但卷積層數增加了，因此計算總量也就上去了）; 2.增加了「梯度瀰散」的風險（因為層數增加了）。
當 卷積核的橫截面 與 輸入影象的橫截面等大時，卷積層 變成了全連線層。
padding引數設定
含義「same」
保證了輸入與輸出的size一致
「valid」
零填充，尊重原生計算結果
卷積時在影象每一維([batch, in_height, in_width, in_channels])的步長，這是乙個一維的向量，長度4。
池化層的核一般也設定為較小的size。
常取的size值為 2×
2 2×2
，3×3 3×3
。note：
[1] 解析卷積神經網路—深度學習實踐手冊
[2] tf.nn.conv2d
[3] 深度學習: pooling (池化 / 降取樣)
深度學習網路優化與超引數選擇
過擬合 在訓練資料上得分很高，在測試資料上得分相對比較低 欠擬合 在訓練資料上得分很低，在測試資料上得分相對比較低 與網路中的可訓練引數成正比。網路中的神經單元數越多，層數越多，神經網路的擬合能力越強。但是訓練速度 難度越大，越容易產生過擬合。所謂超引數，也就是搭建神經網路中，需要我們自己如選擇 不...
Linux的網路引數設定
前面講解了llinux 的ip組成，下面就講一下linux的網路設定和資料傳遞。其實這地方對運維的人員來說，不會要精通，但還是要了解。必要時刻還會用到的 電腦之間資料的傳遞 資料的傳遞要分為下面幾層。osi七層模型 應用層 表示層 會話層 傳輸層 網路層 資料鏈路層 物理層 資料封裝過程 mac幀頭...
深度學習 網路正則化
in 1n i 1n yi f xi 2 r d min 1n i 1n yi f xi 2 r d 2 12 22l2 12 222 1 i i l2 1 i i 1 1 2 22 1 1 2 22 2 c 2 原理 對於某層神經元，在訓練階段均以概率p隨機將該神經元權重設定為0，在測試階段所有神...