udacity google deep learning 學習筆記

1.爲何要在卷積網絡中加入pooling（池化）

　　若是隻利用卷積操做來減小feature map的大小，會失去不少信息。因此想到一種方法，減少卷積時的stride，留下大部分信息，經過池化來減少feature map的大小。

　　池化的優勢：

　　1.池化操做不會增長parameters

　　2.實驗結果代表用池化的模型準確率更高

　　池化的缺點：

　　1.因爲減少了卷積的stride，因此會增長計算量

　　2.同時，池化層的加入使得咱們又多了兩個超參數（hyper parameters）：pooling size和pooling stride

 

2.爲何要進行1×1 convolution

　　對輸入圖片進行卷積至關於一個線性分類器，但若是你在輸入圖片和卷積層之間加入一個1×1 convolution，那這兩層就至關於組合了一個小型的神經網絡（非線性）。