摘要：
填充 步幅 总结： 填充可以增加输出的高度和宽度。这常用来使输出与输入具有相同的高和宽。同时填充可以解决原始图像通过卷积丢失边界有用信息的问题。 步幅可以减小输出的高和宽，例如输出的高和宽仅为输入的高和宽的（是一个大于的整数）。 填充和步幅可用于有效地调整数据的维度。 阅读全文
摘要：
特征映射和感受野 因此，当需要检测输入特征中更广区域时，我们可以构建一个更深的卷积网络 。 利用卷积网络进行目标边缘检测 阅读全文
摘要：
对于表格数据（其中行对应样本，列对应特征），我们寻找的模式可能涉及特征之间的交互，但是我们不能预先假设任何与特征交互相关的先验结构。 此时，多层感知机可能是最好的选择，然而对于高维感知数据，这种缺少结构的网络可能会变得不实用。原因如下： 当特征数非常高维时，全连接网络的参数会变得极大，导致计算成本大 阅读全文