200813_tensorflow2---5、卷积神经网络讲课，用CBAPD讲的话，真的极佳
一、总结
一句话总结：
卷积就是特征提取器，就是C（卷积层）B（批标准化层）A（激活层）P（池化层）D（dropout层）
model=tf.keras.models.Sequential([ Conv2D(filters=6,kernel_size=(5,5),padding='same'),#卷积层 BatchNormalization(),#BN层 Activation('relu'),#激活层 MaxPoo12D(pool_size=(2,2),strides=2,padding='same'),#池化层 Dropout(0.2),#dropout层 ])
1、保存模型的时候，比起保存整个模型，保存weight的意义何在？
保存weight可以非常方便的查看每一层神经网络weight的参数，可以非常直观的查看整个网络
print(model.trainable_variables) file = open('./weights.txt', 'w') for v in model.trainable_variables: file.write(str(v.name) + ' ') file.write(str(v.shape) + ' ') file.write(str(v.numpy()) + ' ') file.close()
2、LeNet（1998）和AlexNet（2012）的特点？
LeNet（1998）：卷积网络开篇之作，共享卷积核，减少网络参数
AlexNet（2012）：使用relu激活函数，提升训练速度；使用Dropout，缓解过拟合
3、VGGNet（2014）、InceptionNet（2014）、ResNet（2015）的特点？
VGGNet（2014）：小尺寸卷积核减少参数，网络结构规整，适合并行加速
InceptionNet（2014）：一层内使用不同尺寸卷积核，提升感知力使用批标准化，缓解梯度消失
ResNet（2015）：层间残差跳连，引入前方信息，缓解模型退化，使神经网络层数加深成为可能
4、我们常说的优化模型中的参数初始化到底是什么？
就是初始化w和b，比如全0、全1、正态分布、标准分布等等
5、神经网络训练的一般技巧？
(A)、数据增强（对训练集图像进行旋转、偏移、翻转等多种操作， 目的是增强训练集的随机性）、
(B)、学习率策略（一般的策略是在训练过程中逐步减小学习率）、
(C)、Batch size 的大小设置（每个 batch 包含训练集图片的数量）、
(D)、模型参数初始化的方式等等。
另外，需要指出的是，在利用这些网络训练 cifar10 数据集时，课程给出的源码并未包 含其它的一些训练技巧，
例如数据增强（对训练集图像进行旋转、偏移、翻转等多种操作， 目的是增强训练集的随机性）、学习率策略（一般的策略是在训练过程中逐步减小学习率）、 Batch size 的大小设置（每个 batch 包含训练集图片的数量）、模型参数初始化的方式等等。
然而实际上，一些训练方法和超参数的设定对模型训练结果的影响是相当显著的，以 ResNet18 为例，如果采取合适的训练技巧，cifar10 的识别准确率是足以突破 90 %的。
所以， 在神经网络的训练中，除了选择合适的模型以外，如何更好地训练一个模型也是一个非常值 得探究的问题。
6、为什么在cifar10中的InceptionNet的表现不好？
(I)、首先其本身的设计理念是采用不同尺寸的卷积核，提供不同的感受 野，但 cifar10 只是一个单一的分类任务，二者的契合度并不高，
(II)、另外，由于本身结构的原因，InceptionNet 的参数量和计算量都比较大，训练需要耗费的资源比较多，所以课堂上仅 仅搭建了一个深度为 10 的精简版本（完整的 InceptionNet v1，即 GoogLeNet 有 22 层，训练 难度很大）
二、内容在总结中
博客对应课程的视频位置：