udacity google deep learning 学习笔记

1.为何要在卷积网络中加入pooling（池化）

　　若是只利用卷积操做来减小feature map的大小，会失去不少信息。因此想到一种方法，减少卷积时的stride，留下大部分信息，经过池化来减少feature map的大小。

　　池化的优势：

　　1.池化操做不会增长parameters

　　2.实验结果代表用池化的模型准确率更高

　　池化的缺点：

　　1.因为减少了卷积的stride，因此会增长计算量

　　2.同时，池化层的加入使得咱们又多了两个超参数（hyper parameters）：pooling size和pooling stride

 

2.为何要进行1×1 convolution

　　对输入图片进行卷积至关于一个线性分类器，但若是你在输入图片和卷积层之间加入一个1×1 convolution，那这两层就至关于组合了一个小型的神经网络（非线性）。