1.為什麼區域性連線？
區域性感受野，區域性連線可以學到邊緣、端點等特徵，然後經過cnn的逐層區域性連線又可以講這些組合得到主鍵抽象的高層特徵
2.為什麼權值共享？
為了學到影象的不同位置的相同型別的特徵，比如學到斜線？直線？等，有效減少引數數目，比起全連線的網路模型也更加泛化？
2a，權值共享體現在**？
每個filter 要 全部走完整幅影象
2b，比方說有m層的輸出為96個特徵圖，則需要96個filter，然而每個filter並不是單純的為一張二維卷積濾波圖，而是卷積核：即輸入有幾個通道，則這個卷積核就需要幾張二維卷積濾波圖，且這幾張卷積濾波圖的每張和每張的引數是不一樣的：即輸入特徵圖為32個，特徵圖大小為28×28，而輸出特徵圖為96個，則共需要引數個數是28×28×31×96
2c，但是好像是乙個filter就有乙個bias
3.為什麼池化操作？
池化可以得到抗區域性平移、旋轉、不同解析度的更為魯棒的區域性特徵。池化後的影象變小，是否可以理解為也減少了儲存量？可實現關於特徵的區域性增強
4.多個filter的好處？
增加了更高階別影象區域性結構描述的多樣性
5，乙個epoch？
人們說的乙個epoch是指所有訓練樣本過一遍，我糾結的是，包不包括有標籤用來對模型進行測試的測試集，答案是不包括，這個訓練集是指用來學習進行的forward與backward的資料樣本。
6，inception模組是怎麼以稀疏連線替代稠密結構，在不增加模型自由引數規模前提下，網路深度得到有效提高，從而更為有效實現樣本特徵提取？
來自
7,1×1卷積核的作用？
來自於
發現很多網路使用1×1的卷積核，實際就是對輸入的乙個比例縮放，因為1×1卷積核只有乙個引數，這個核在輸入上滑動，就相當於給輸入資料乘以乙個係數。（對於單通道和單個卷積核而言這樣理解是可以的）對於多通道和多個卷積核的理解，
1×1卷積核大概有兩方面的作用：
1.實現跨通道的互動和資訊整合（具有線性修正特性，實現多個feature map的線性組合，可以實現feature map在通道個數上的變化，想象成跨通道的pooling，(輸入的多通道的feature map和一組卷積核做卷積求和得到乙個輸出的feature map)
2.進行卷積核通道數的降維和公升維（同時還具有降維或者公升維功能）
3.在pooling層後面加入的1×1的卷積也是降維，使得最終得到更為緊湊的結構，雖然有22層，但是引數數量卻只是alexnet的1/12
.4.最近大熱的msra的resnet也利用了1×1的卷積，並且是在3×3卷積層的前後都使用了，不僅進行了降維，還進行了公升維，使得卷積層的輸入和輸出的通道數都減小，數量進一步減少。如果1×1卷積核接在普通的卷積層後面，配合啟用函式，就可以實現network in
network的結構了。
5.還有乙個很重要的功能，就是可以在保持feature map尺度不變的（即不損失解析度）的前提下大幅增加非線性特性（利用後接的非線性啟用函式），把網路做的很deep。（平均池化是針對每個feature map的平均操作，沒有通道間的互動，而1×1卷積是對通道的操作，在通道的維度上進行線性組合）
來自 寫的挺清楚
1. 這一點孫琳鈞童鞋講的很清楚。1×1的卷積層（可能）引起人們的重視是在nin的結構中，**中林敏師兄的想法是利用mlp代替傳統的線性卷積核，從而提高網路的表達能力。文中同時利用了跨通道pooling的角度解釋，認為文中提出的mlp其實等價於在傳統卷積核後面接cccp層，從而實現多個feature map的線性組合，實現跨通道的資訊整合。而cccp層是等價於1×1卷積的，因此細看nin的caffe實現，就是在每個傳統卷積層後面接了兩個cccp層（其實就是接了兩個1×1的卷積層）。
2. 進行降維和公升維引起人們重視的（可能）是在googlenet裡。對於每乙個inception模組（如下圖），原始模組是左圖，右圖中是加入了1×1卷積進行降維的。雖然左圖的卷積核都比較小，但是當輸入和輸出的通道數很大時，乘起來也會使得卷積核引數變的很大，而右圖加入1×1卷積後可以降低輸入的通道數，卷積核引數、運算複雜度也就跟著降下來了。以googlenet的3a模組為例，輸入的feature map是28×28×192，3a模組中1×1卷積通道為64，3×3卷積通道為128,5×5卷積通道為32，如果是左圖結構，那麼卷積核引數為1×1×192×64+3×3×192×128+5×5×192×32，而右圖對3×3和5×5卷積層前分別加入了通道數為96和16的1×1卷積層，這樣卷積核引數就變成了1×1×192×64+（1×1×192×96+3×3×96×128）+（1×1×192×16+5×5×16×32
），引數大約減少到原來的三分之一。同時在並行pooling層後面加入1×1卷積層後也可以降低輸出的feature map數量，左圖pooling後feature map是不變的，再加卷積層得到的feature map，會使輸出的feature map擴大到416，如果每個模組都這樣，網路的輸出會越來越大。而右圖在pooling後面加了通道為32的1×1卷積，使得輸出的feature map數降到了256。googlenet利用1×1的卷積降維後，得到了更為緊湊的網路結構，雖然總共有22層，但是引數數量卻只是8層的alexnet的十二分之一（當然也有很大一部分原因是去掉了全連線層）。
8，怎麼在caffe的model zoo提供的例如alexnet和googlenet模型上進行微調(finetune)？
9，針對雙流卷積神經網路模型，使用交叉預訓練模型將用於rgb空間流的初始化模型怎麼用於時間流？？？？
NC17511 公交路線
坑點 是m條邊 不是n條邊 思路 單源最短路 left 1 如果有負權值邊但是不構成負權值迴路則選spfa 2 全是正權值則選dijkstra 平均複雜度o nlog n 3 次外選spfa 平均複雜度o km k為平均可能進入佇列的點數，最差為o nm 即所有點都會進入佇列，退化為bellman ...
記自己的成長領悟和學習方法。
1.靜心 激情。2.友情，共同前行的人。3.明白快節奏的生活給你沉澱了什麼，你所不屑的行為沉澱下來會不一樣麼？4.還要很長的路要走，還要各種磨鍊等著我，路途艱辛，但不要忘了初心。愛我愛的人，做我愛的事。5.胸懷 6.做事注重細節，不搪塞，不馬虎，注重質量，注重品質。7.有些東西，相信第一感覺，不必為...
日常領悟一
1.很多時候，我們需要在資料庫中儲存使用者的一些資訊，比如性別，我們會用乙個int值來定義，1代表男性，0代表女性 那麼當我們從資料庫取到值的時候，我們還得在controller層或者service層進行轉換才能傳到view層，這是相當麻煩的，我在專案中看過一種寫法，那就是在set寫法裡直接進行轉換...