卷积神经网络经验-CS231n笔记

课程note中讲了一些工程经验，感觉很有用，记下来供自己以后查阅

• 相比于大的滤波器，小滤波器更受青睐。小滤波器参数更少、计算量更小、能够表达更多的特征，做反向传播时需要的内存更少。
• 通常不会考虑创建一个新的网络结构。一般都会找一些在ImageNet上有较好表现的预训练网络，下载下来然后做finetune
• input layer通常是2的倍数，比如32（CIFAR-10），96（STL-10）
• conv layer通常使用小滤波器（3x3 或 5x5），stride=1，做padding保证卷积层不会改变输入的维数
• 如果必须使用大的滤波器（7x7），就在第一层使用，输入为原图像。
• pooling layer通常使用2x2 max-pooling with stride=2或者不常用的3x3 with stride =2
• 大于3的pooling几乎不会做，因为会带来很大的信息损失，进而网络结构表示很差。
• 为什么通常stride=1，因为实际中小的stride的效果更好，而且可以把down-sampling交给pooling层，conv层只做输入的体积转换
• 为了减少内存限制，通常对网络进行压缩。一般在第一个卷积层执行，比如ZF net 使用了7x7滤波器 stride=2，AlexNet使用了11x11 滤波器 stride =4
• 通常如果GPU内存不够的话，可以考虑减小batch size，因为大多数内存消耗都是由activation layers造成的。