ConvNeXt++项目——CV笔记（持续更新）

• 感受野：特征层的一格对应以上各层中的像素个数。卷积层和池化层都可以扩大感受野：
• VGG亮点：堆叠多个小卷积核可以代替一个大卷积核，并且参数数量更少。例如两个3x3相当于1个5x5，他们的感受野大小相同，三个3x3可以代替一个7x7；替换拉直（latten）到全连接层为卷积，模型可以达到相同的结果，参数量也相同，但效率更高。
• 要注意，深度学习中的参数量是所有卷积核的总像素数，这些参数是要学习的，神经网络学习的权重就是卷积核的像素值（权值）。
• 卷积操作与池化操作的区别要注意，卷积是为了提取特征，池化是为了筛选特征（类似卷积核，但是是对卷积核内只取平均或者最大值）【池化不改变特征矩阵的深度】
• TensorFlow的padding设置（N为该层输出图片的大小）：
• 
• 卷积的物理意义：对于一个系统，其输入是不稳定的（不定时在输入）但输出是稳定的（每时每刻都在输出），卷积则代表其系统的存量。【不需要懂，是个数学意义，有兴趣可以b站直接搜卷积意义】{之前发生的事情会对之后产生影响，但每一件事情的影响都会随时间削弱——