week8:
5.27
1.做CNN practical[1]里的example1，了解CNN模块中的每一个部分
（1）卷积层的卷积过程，输入输出维度变化（2）ReLU（3）Pooling层（4）Normalization
ReLU
Pooling
Normalization
2.做CNN practical[1]里的example2，了解BP算法求导原理（参考[4]）
（1）损失函数（2）链式求导法则（3）对参数求导用于参数的迭代跟新（4）对每层输出的求导用于参数求导的方便，求导的trick
（5）正向计算，反向求导，CNN主要的计算过程
5.28
1.看VGGgroup的CNN网络net里的每一层，求出的res的每一层，结合example2及MatConvNet的manual[2]，深入理解CNN正向反向的每一步过程
图
2.做CNN practical里的example3，CNN应用的具体应用时的过程
（1）损失函数该如何设置：正则化项，极小化函数（2）正向求输出，评估误差给出反馈，反向求迭代步长（3）其他预处理过程
预处理过程的理解:
3.跟师兄探讨BP的过程
5.29
1.测试FPID数据集[3]Q2、T8提取deepcnn16(VGG组在ImageNet上训练得到)的layer36特征的效果
提升效果并不明显，说明原因不在于网络性能，考虑暂缓fine-tune。
2.和师兄讨论了改进的办法，关注了检索结果里false postive中背景影响及图片旋转带来的影响很大，决定将数据手动裁剪，旋转。
3.手动裁剪数据，opencv写的裁图工具。这里就不贴代码了
opencv也可以调用鼠标响应，左键选择RIO，右键确定。感觉自己完全可以下一个截图工具了
5.30（在学校）
1.测试旋转、及裁剪带来的性能影响
[1]http://www.robots.ox.ac.uk/~vgg/practicals/cnn/index.html#part-4-learning-a-character-cnn
[2]http://www.vlfeat.org/matconvnet/matconvnet-manual.pdf
[3]https://diuf.unifr.ch/diva/FPID/
[4]http://www.cnblogs.com/wentingtu/archive/2012/06/05/2536425.html