VGG:3*3
Imagenet：7*7,9*9
论文中证明3*3更胜一筹，但是用多少并没有定论
微调：删掉模型的中间
只对最后一层微调：model.pop，就删掉了最后一层
如何决定训练多少层？：·看论文上的可视化结构，清楚每一层的语义层次，哪一层的语义操作和自己的模型相关 ·试验
欠拟合：使用的模型不够复杂不够强大到能完成你的任务 或者 没有足够的参数；
过拟合：参数太多，训练时间太长，训练集上的准确率远远高于测试集和验证集，意味着模型变得过分严格的识别训练集上的内容
如何把vgg的权重加到去掉dropout的vgg模型中？：return 二分之一的权重~没有dropout但相当于dropout
卷积层是进行计算的地方，dense layer是内存所在地
避免过拟合但是不删除重要信息：1增加更多数据 2数据扩增 3使用更多泛化结构 4正则化，如dropout，L2正则化
---》由于数据扩增，我们不能进行任何的与计算，因此需要重新计算卷积层而耗费时间
---》何时需要数据扩增？比如猫狗，不需要上下反转，因为从来没有看到过倒立着的猫狗；但是可以旋转、resize，因为由于拍摄方式不同，可以得到这些图片
---》对图片变为黑白算是一种扩增吗？：不，因为kaggle的图片就是彩色的，颜色也是一种重要信息，去掉了颜色，就把判断过程复杂化了
---》可以在输入图片处dropout吗？：简单的说是ok的，但是删除模型信息和删除输入信息是不同的，前者可以有效避免过拟合，后面会丢失信息
建立batches：使用数据生成器image.ImageDtaGenerator
验证集没有数据增加和变动，是持续固定的：因为它是检查的标准
batch normalnization：数值-均值/标准差， 给数值不同的权重，对loss的影响也很不同；当输入数值差距很大时，特别是使用softmax，会让朕个模型变得很脆弱，意味着很难学会获得最好的权重组
---》总是需要标准化输入信息
---》实际情况中，不仅要标准化输入值，也要标准化激活值（但是不仅仅是-均值/标准差，因为这样简单的操作并不会起作用，SGD是很难对付的，如果它想要提高某个权重，但是你想通过-均值/标准差来对抗它，那么SGD又会重新提高该权重
---》采用bacthnorm：（1）快十倍，因为一般会使用高10倍的学习率 （2)能够在不需要删除任何模型信息的情况下，减少过拟合
---》batchnorm的实现：像标准化输入层一样标准化中间层，同时增加了两个可训练的参数，其中v一个参数乘以所有的激活值，另一个参数和所有的激活值相加；这两个参数也会融合到梯度计算中，因此现在模型知道它能够重新调整所有权重（在不需要把任何一个权重删除的情况下）
从而有效的控制权重 ~ 放在dense layers之后，当作用于卷积层时，需要BatchNormalization（axis=1）
np.expand_dims：keras卷积操作中，希望又一定量的通道，所以对于灰度图的输入，需要要用~来加入empty dimension
Flatten（）：讲输入的图片转化为向量
epoch=1，学习率设为0.1，epoch=2，学习率设为0.01，即epoch增长的同时，降低学习率；在每个epoch的多个batch中，观察知道出现过拟合时停止学习率的减小
Ensembing（集合）：建立多个版本的模型然后把他们组合起来，来提高每个模型的性能 -- 即把不同学习率的model组合，最后return model
同一个model可以获取6个：相同的方式进行训练，但是以不同的随机起点开始
---》all_preds.shape为（6，10000，10），即10000个输入测试图片，10个输出，6个model
---》all_preds.mean就是找出不同model的错误点，计算平均值