CNN中的参数记录（上）

最近用Keras写模型，其实CNN的结构相对来说还是比较容易理解的，无非就是参数的抉择
1.activition
就是激活函数啦，激活函数就是为了增加神经网络的非线性,不让它产生过拟合，常用的也就那么几种，relu,softmax,sigmoid,tanh，一般来说paper中用的较多的是relu,softmax,sigmoid

2.padding
这个在卷积层和池化层都是可选项，padding='same’表示需要在原图像的边缘补0，目的是使得卷积后的图像还和原图像保持一样大小。

比如一个5X5的图片，被3X3的卷积核进行卷积操作后，图片大小只剩下（5-3+1）（5-3+1）即4X4的大小，相对于原图缩水了有没有。

这样的弊端就是：
1你多来几层卷积，那么图片是不是每次都变小变小
2.边缘的像素被利用的次数非常少，会丢失边缘的像素信息

解决办法就是padding，即像素填充。可选参数项就是padding=‘same’（进行填充）或padding=‘valid’（不填充）

总结：卷积层padding是为了保持图片输入维度和输出维度一致
有的时候池化层也可能padding，一般是为了保持边界信息，充分利用边缘像素

3.regularizer
它是正则项，也叫惩罚项系数。
在越复杂的网络模型中越需要它，可以减少误差，防止过拟合（指模型在训练集中表现良好，测试集不行&#x