池化层 即下采样层，池化操作就是图像的resize，池化层用的方法有Max pooling 和 average pooling，而实际用的较多的是Max pooling。 过拟合 模型泛化能力

虽然现在深度学习的算法越来越高级，越来越牛逼，但是对于我们FPGA实现来说，没啥进步！ 因为，这些越来越高级的算法，都是为了在PC上训练或实现而设计的，很多搜索结构并不适合FPGA实现！ 那么，当前阶段FPGA实现深度学习有两种思路： 思路1：继续跟着这些高级的算法，编写相应结构的深度学习。出现的问题：结构实现难度太大；结构稍微变化，FPGA就要跟着改，难度高；应用场景有限，太单一。 思路2：做平台性的深度学习，好处是应用场景广泛，FPGA结构修改小，实现较为简单。具体结构可参考len...

网友的观点：目前的机器学习任务都在使用 32 位密度矩阵乘法，这是GPU占优势的领域。FPGA的优势：重构机器学习，因为FPGA可以适应向低精度的转变。

我提出一个观点，以供讨论：在机器视觉标检的项目中，模板生成其实也是一种机器学习。如果上位机给个初始模板，这种方法就叫监督学习；如果上位机不给初始模板，FPGA自己不断更新模板，这个叫非监督学习。显然，我们目前需要的是监督学习，非监督学习不适合（因为你无法保证第一张图是无缺陷的，也就是无法保证第一个模板的正确性，也就无法保证后面的图像是否是真正的背景来进入模板）...

人工智能->机器学习->神经网络 深度网络优势：性能更好，更节约资源 神经元：权重+激活函数，可拟合任何线性函数

身边的技术人员，很多从事深度学习的，听来听去，5年有余了，一直也找不到产品，来弄下深度学习！现在终于有个机会来弄弄深度学习！研发的产品，就是做个类似海康的，但是针对细分行业的：针对深度学习，此刻的认知还比较肤浅，希望通过接下来的学习，能够熟悉起来。目前，仅知道两点：1）深度学习有两部分构成：训练+执行。之前玩过opencv的LBP人脸识别，有那么一点印象。2）深度学习里面有卷积，这个结构对于我做FPGA的再熟悉不过了。因为我这些年做图像算法，用这个结构用的比较多。接下来.