一、网络超参数的设定
1.输入数据像素大小的设定：
为便于GPU并行计算，一般将图像大小设置为到2的次幂。
2.卷积层参数的设定：
（1）卷积核大小一般使用1*1，3*3 或 5*5。
（2）使用zero padding，可以充分利用边缘信息、使输入大小保持不变。
（3）卷积核的个数通常设置为2的次幂，如64,128,256,512,1024等。
3.池化层参数的设定：
一般采用卷积核大小2*2，步长为2.
4.全连接层参数的设定（可使用Global Average Pooling来代替）：
主要是用来解决全连接的问题，是将最后一层的特征图进行整张图的一个均值池化，形成一个特征点，将这些特征点组成最后的特征向量，然后进行softmax中进行计算。
备注：
（1）Global Average Pooling和Average Pooling（Local）的差别就在“Global”这个字眼上。Global和Local在字面上都是用来形容pooling窗口区域的。Local是取Feature Map的一个子区域求平均值，然后滑动。
（2）Global显然就是对整个Feature Map求均值了（kernel的大小设置成和Feature Map的相同）。所以，有多少个Feature Map就可以输出多少个节点。一般可将输出的结果直接喂给softmax层。
举例：
编辑
Global Average Pooling：是将最后一层的特征图进行整张图的一个均值池化，形成一个特征点，将这些特征点组成最后的特征向量，在softmax中进行计算。
例：假如，最后一层的数据是10个6*6的特征图，global average pooling是将每一张特征图计算所有像素点的均值，输出一个数据值，这样10个特征图就会输出10个数据点，将这些数据点组成一个1*10的向量的话，就成为一个特征向量，就可以送入到softmax的分类中计算了。
5.卷积的选取：
（1）卷积核尺寸方面：
①大卷积核用多个小卷积核代替；
②单一尺寸卷积核用多尺寸卷积核代替；
③固定形状卷积核趋于使用可变形卷积核；
④使用1x1卷积核（瓶颈结构）
（2）卷积层连接方面：
①使用跳跃连接，让模型更深；
②密集连接都是不错的优化方法；
③使每一层都融合上其它层的特征输出（例如：DenseNet）
6.遇到模型过拟合问题怎么解决？
举个例子：
在上学的时候，有人采取题海战术，把每个题目都背下来。但是题目稍微一变，他就不会做了。因为他非常复杂的记住了每道题的做法，而没有抽象出通用的规则。
所以过拟合有两种原因：
（1）训练集和测试集特征分布不一致；
（2）或者模型太过复杂（记住了每一道题）而样本不足；
欠拟合：欠拟合是由于学习不足；解决办法：可以考虑添加特征，从数据中挖掘出更多的特征，有时候还需要对特征进行变换，使用组合特征和高次特征。
两种解决过拟合的方法：
（1）L0、L1、L2：在向前传播、反向传播后面加个小尾巴；
（2）DropOut：训练时随机“删除”一部分神经元；
介绍的优化方法叫mini-batch，它主要解决的问题是：实际应用时的训练数据往往都太大了，一次加载到电脑里可能内存不够，其次运行速度也很慢。那自然就想到说，不如把训练数据分割成好几份，一次学习一份不就行了吗？前辈们试了试发现不仅解决了内存不足的问题，而且网络“收敛”的速度更快了。由于mini-batch这么棒，自然是神经网络中非常重要的一个技术，但是实际实现时你会发现“真的太简单了”。
mini-batch的操作：
洗牌：是mini-batch的一个操作，因为我们是将训练数据分割成若干份的，分割前将图片的顺序打乱就是所谓的“洗牌”了，这样每一次mini-batch学习的图片都不一样为网络中增加了一些随机的因素。优化了网络。
另外注意：
batch size太小会使训练速度很慢；
太大会加快训练速度，但同时会导致内存占用过高，并有可能降低准确率。
所以32至256是不错的初始值选择，尤其是64和128
问题，为什么选择2的指数倍？
因为计算机内存一般为2的指数倍，采用2进制编码。
