（干货）经验之谈：DeepLearning---CNN调参策略（一）

由于博主毕业设计需求，因此将自己两年来的经验小结一下，供自己后期查阅，同时希望能够帮到初入DL领域的小可爱们。本篇博客纯属干货，有任何问题，欢迎大家评论，博主会在看到的第一时间帮大家解疑。

首先说一下什么是卷积神经网络？

一、卷积神经网络的数学模型

卷积神经网络是一种特殊的深度前馈神经网络，该网络模型的基础模块为卷积流（为了避免层级之间全连接造成的参数冗余），包括卷积（用于维数拓展）、非线性（稀疏性、饱和侧抑制）、池化（空间或特征类型的聚合）和批量归一化（优化操作，目的是为了加快训练过程中的收敛速度，同时避免陷入局部最优）等四种操作，下面详细讲解这四种操作。

1、卷积：利用卷积核对输入图片进行处理，可学习到鲁棒性较高的特征

数字信号中常用的卷积类型包括三种，即Full卷积、Same卷积核Valid卷积。注：除了特殊申明外，卷积流中常用的是Valid卷积。另外需要注意的是：深度学习平台Caffe中常用的卷积操作包含两个参数即Stride和零填充（Zero Padding）,其中Stride指的是窗口从当前位置到下一个位置，跳过的中间数据个数；例如图像从输入到卷基层的情况，窗口的初始位置在第一个像素，第二个位置在第2个像素，那么stride=2-1=1；零填充指的是将原始数据周边补上0值的圈数。

卷积操作的核心是：可以减少权值连接，引入稀疏或者局部连接，带来权值共享大大减少了参数量，从而避免了过拟合现象&