总结一下文中几点值得学习的地方：
1，卷积神经网络的结构图：Multi-Scale Features. 因为它提取的特征的分层的，对吧，虽然最后 一层可以提供全局信息，但是呢，前面的几层可以提供更多的详细的细节。。前几层的需要pooling不，这个自己选择。
2，非线性问题：看文中吧，具体我自己也没有仔细研究。
3，对于样本的处理，有一个值得说的地方就是：文中用原始的样本构造了一个变动样本（jittered). 这样训练出来的网络具有很好的泛化能力。这一点可以值得我们学习。 另外，对于验证集的选择应该要谨慎。
4，对于如何选择合适的具体的网络的结构的大小有一个好的方法：即一个用网络构造的特征提取器，当不去训练网络得到的随机的特征与经过训练得到的特征的的这两个网络的性能在一定的关系。所以呢，这样就可以避开费时的特征提取层的网络训练，直接用随机的即可。最后再调整。（一般调整的方法是从第二层以上的层的特征图应该少于随机的大小）。
原文链接: https://www.cnblogs.com/yinheyi/p/5678283.html
欢迎关注
微信关注下方公众号，第一时间获取干货硬货；公众号内回复【pdf】免费获取数百本计算机经典书籍;
也有高质量的技术群，里面有嵌入式、搜广推等BAT大佬
原创文章受到原创版权保护。转载请注明出处：https://www.ccppcoding.com/archives/395704
非原创文章文中已经注明原地址，如有侵权，联系删除
关注公众号【高性能架构探索】，第一时间获取最新文章
转载文章受原作者版权保护。转载请注明原作者出处！
