udacity google deep learning 学习笔记

1.为什么要在卷积网络中加入pooling（池化）

　　如果只利用卷积操作来减少feature map的大小，会失去很多信息。所以想到一种方法，减小卷积时的stride，留下大部分信息，通过池化来减小feature map的大小。

　　池化的优点：

　　1.池化操作不会增加parameters

　　2.实验结果表明用池化的模型准确率更高

　　池化的缺点：

　　1.由于减小了卷积的stride，所以会增加计算量

　　2.同时，池化层的加入使得我们又多了两个超参数（hyper parameters）：pooling size和pooling stride

2.为什么要进行1×1 convolution

　　对输入图片进行卷积相当于一个线性分类器，但如果你在输入图片和卷积层之间加入一个1×1 convolution，那这两层就相当于组合了一个小型的神经网络（非线性）。