14天pytorch第二次打卡

训练模型过程中常见的问题：
（1）过拟合（overfitting）：模型在训练时的误差远小于测试时的误差（训练误差较小，实际测试时误差大）
（2）欠拟合（underfitting）：训练误差较大
影响因素：数据集的大小，模型的复杂度等
过拟合改进方法：dropout，正则化
（3）当神经网络的层数较多时，梯度的计算容易出现消失或爆炸现象。
卷积神经网络基础：

二维卷积核（过滤器）在二维数组上不断滑动，并与该位置的数组按元素相乘并求和得到输出数组（特征图）中相应位置上的元素。

感受野：特征图上的一个元素映射到原图上的大小
填充（padding）：
步幅（stride）：每次滑动的长度


1x1卷积核作用：在不改变宽高时调整通道数；
池化：最大池化和平均池化

卷积神经网络：
1.LeNet模型（实现图像分类）

conv+pooling+conv+pooling+dense+dense+dense
注意：卷积使用的是5x5，然后再使用sigmoid激活函数；池化是平均池化；有三个全连接层，分别输出120，84，10.最后的10为输出的类别数。
2.AlexNet


3.VGG


4.GoogLeNet