卷积神经网络

featuremap特征值越大越重要。
可以画热度图看重点关注那个区域。

步长小一点好。
padding边缘填充把边界点变为非边界点，这样提取的特征更多。位置上相对中间的部分计算次数多。
因为卷积核一般取3*3，所以padding一般为1,2，不要超过3。
卷积核个数多一点好，得到更多特征图。通常64/128。

11卷积代替全连接：效果差不多，全连接考虑每个像素点，11卷积也一样的，操作类似。
卷积核就相当于神经网络里面的参数w，卷积核直接没什么关系，各处理各的特征。（三个探子去打探信息，最后我得到三条信息，再将这三条信息进行汇总）

很多时候做完卷积要保持图片大小不变。



卷积的参数和输入图片的大小无关，因为是权重共享的。
反卷积是上采样的一种，分割经常用，让特征图越来越大。反卷积不是卷积的逆过程。
卷积是做特征提取，跟最后是实现分类还是检测没有关系。






CNN的缺点：
1.感受野小，需要堆叠很多次卷积才能获取更多的全局信息；
2.卷积时只考虑了相邻的像素点，没有考虑距离远的像素点，只关注了局部信息；

CNN能做的transformer都能做。