卷积神经网络细节（激励函数,池化，预处理等）

结合文献『Deep Learning for Computer Vision』， 以下讲讲卷积神经网络的一些注意点和问题。

• 激励函数，要选择非线性函数，譬如tang，sigmoid，rectified liner。在CNN里，relu用得比较多，原因在于：(1)简化BP计算；(2)使学习更快。(3)避免饱和问题(saturation issues)
• 池化(Pooling)：其作用在于(1)对一些小的形态改变保持不变性，Invariance to small transformations；(2)拥有更大的感受域，Larger receptive fields。pooling的方式有sum or max。
• Normalization：Equalizes the features maps。它的作用有：(1) Introduces local competition between features；(2)Also helps to scale activations at each layer better for learning；(3)Empirically, seems to help a bit (1–2%) on ImageNet
• 训练CNN：back-propagation；stochastic gradient descent；Momentum；Classification loss，cross-entropy；Gpu实现。
• 预处理：Mean removal；Whitening(ZCA)
• 增强泛化能力：Data augmentation；Weight正则化；在网络里加入噪声，包括DropOut，DropConnect，Stochastic pooling。
  • DropOut：只在全连接层使用，随机的将全连接层的某些神经元的输出置为0。
  • DropConnect：也只在全连接层使用，Random binary mask on weights.
  • Stochastic Pooling：卷积层使用。Sample location from multinomial。
• 模型不work，怎么办？结合我自身的经验，learning rate初始值设置得太大，开始设置为0.01，以为很小了，但实际上0.001更合适。