关于卷积神网络（一）

       采用迭代的算法来训练整个网络，随机设置网络参数的初始值（一般设置为0），将网络实际输出与期望输出的差值作为错误信号，通过梯度下降法反向传播到前层网络来更新权重和偏置，来更好的提取对象的特征。

1、Batch normalization  用于优化网络模型结构，对网络中每一层的神经元输入，计算均值和方差后，再进行归一化；

2、stride 卷积核滑动步长，如果每次滑动为1 ，感知域将会有很多重叠，最后得到的特征图也会比较大；

3、zero-padding 零填充，在进行反向传播更新权重和偏置时，可能需要对特征图进行0填充，这样可以控制输出量的空间大小和输入量的空间大小一致；

4、激活函数  RELU 层是激活函数层，可以增加决策函数核整个网络的非线性特征，却不影响卷积层的接受域，除此之外激活函数还有 sigmoid 和 tanh，但是我们一般选用 relu 作为激活函数，它不仅可以提高神经网络的训练速率，还不会对泛化精度产生显著差异。