1.卷积神经网络基础； 对于CNN中一些概念的理解 1.feature map 在CNN的各个卷积层中，数据都是以３维形式存在的。我们可以把它看成许多个２维平面图叠在一起，其中每个２维图称为一个feature map　. 在输入层，如果是灰度图，只有一个feature map；如果是彩色图片，一般是3个feature map（RGB）。 其他层：层与层之间会有若干个卷积核(kernel),上一层每个feature map跟每个卷积核做卷积，都会产生下一层的一个feature map，如果有N个

卷积神经网络基础 需要理解卷积神经网络的基础概念，主要是卷积层和池化层、填充、步幅、输入通道和输出通道的含义。 几个经典的模型 LeNet AlexNet VGG NiN GoogLeNet 1×1卷积核作用 放缩通道数：通过控制卷积核的数量达到通道数的放缩。 增加非线性：1×1卷积核的卷积过程相当于全连接层的计算过程，并且还加入了非线性激活函数，从而可以增加网络的非线性。 计算参数少 LeNet vs AlexNet 注：5*5 Conv(16)，这里的16指的是输出的通道数 LeNet的图