1.神经元
激活函数f(z)的种类：
2.卷积方法种类
https://mp.weixin.qq.com/s/FXzTbMG64jr93Re31Db2EA
-
标准卷积（Standard Convolution）:
- 特点：每个卷积核在输入数据的整个深度上滑动，计算输出特征图的一个元素。
- 应用场景：适用于大多数标准的CNN应用，如图像分类、物体检测等。
- 数据特征：通用性强，可以应对各种数据类型。
-
分组卷积（Grouped Convolution）:
- 特点：将输入和卷积核分成几组，每组独立进行卷积操作，可以减少参数数量和计算量。
- 应用场景：用于大型网络和复杂任务中减少计算负担，如在ResNeXt架构中使用。
- 数据特征：当模型参数过多，计算资源有限时使用。
-
空洞卷积（Dilated Convolution/Atrous Convolution）:
- 特点：在卷积核的元素之间插入"空洞"以增加感受野，不增加参数数量。
- 应用场景：适合于需要较大感受野的应用，如语义分割，或者在自然语言处理中用于捕捉长距离依赖。
- 数据特征：当输入数据需要更大的上下文理解时使用。
-
深度可分离卷积（Depthwise Separable Convolution）:
- 特点：分两步进行，首先是深度卷积（每个通道独立卷积），然后是点卷积（1x1卷积来组合深度卷积的输出），这可以显著减少计算量和参数数量。
- 应用场景：在移动和嵌入式设备上运行的模型中常用，如MobileNets架构。
- 数据特征：对于计算效率和模型大小有严格限制时使用。
-
反卷积（Transposed Convolution/Deconvolution）:
- 特点：通常用于放大特征图（如在某些类型的自动编码器和生成对抗网络中）。
- 应用场景：在图像超分辨率、语义分割以及生成模型等领域中，需要从低分辨率的特征图中重建出高分辨率的图像或特征图时使用。
- 数据特征：需要增加特征图空间分辨率的场景。
https://www.jianshu.com/p/4d3ec56e7d05
原本卷积：
"same填充"（Padding）：
为了避免原始卷积操作中，数据越来越小：
3.卷积神经网络CNN
（1）卷积层
上述2中各种卷积方法
（2）激活层
上述1中各种激活函数
（3）BN 层(BatchNorm)
将输入值的分布强行拉回到均值为0，方差为1的标准正态分布，加速网络的收敛速度
（4）池 化层（pooling）
下采样，对部分特征矩阵选一个特征值或数值，从而进一步变小
常见有:Max Pooling(最大池化)、Average Pooling(平均池化)
（5）F C层（全连接层）
最后再加一层普通神经元(无隐层感知器或一个、多个隐层的感知器)
（6）优化层
为了更高效的优化网络结构（损失函数最小），即是网络的优化策略，主要方法如下：
