cnn学习笔记

本文档主要记录本人在cnn学习过程中对一些概念的理解，想法，经验等。
泛化能力：
概括地说，泛化能力（generalization ability）是指机器学习算法对新鲜样本的适应能力。学习的目的是学到隐含在数据对背后的规律，对具有同一规律的学习集以外的数据，经过训练的网络也能给出合适的输出，该能力称为泛化能力。
Batch Normalization：
即BN算法，用以加快神经网络的训练速度，并且能够有效改善梯度消失和梯度爆炸等问题。
具体操作可以简单理解为：在网络的每一层输入的时候，又插入了一个归一化层，也就是先做一个归一化处理，然后再进入网络的下一层。不过这个归一化层，可不像我们想象的那么简单，它是一个可学习、有参数的网络层。归一化的目标是：均值0、方差为1。
详细介绍请看：https://blog.csdn.net/hjimce/article/details/50866313
感受野：
在卷积神经网络中，感受野的定义是 卷积神经网络每一层输出的特征图（feature map）上的像素点在原始图像上映射的区域大小。

详细介绍：https://www.cnblogs.com/objectDetect/p/5947169.html