1.池化层作用（筛选、过滤、压缩）
h和w变为原来的1/2，64是特征图个数保持不变。
每个位置把最大的数字取出来
用滑动窗口把最大的数值拿出来，把44变成22
2.卷积神经网络
（1）conv：卷积进行特征提取，带参数
（2）relu：激活函数，非线性变换，不带参数
卷积层和relu搭配组合
两次卷积一次池化，池化是进行压缩，不带参数
FC全连接层【323210=10240特征，5分类】，有权重参数矩阵
（3）七层卷积神经网络conv,conv,conv,conv,conv,conv,fc
(4)特征图变化： 
（5）把长方体或者立方体通过转换变成一条向量矩阵，连全连接层。
(5)agg的训练时长大于alexnet的训练时长
3.残差网络
（1）用经典网络去实验，agg和resnet都是比较主流的神经网络框架。
4.感受野的作用
second conv粉红色小格的感受野是first conv33，first conv感受的是输入数据的55，所以最后的一个值是由之前的55得来的。
一般希望感受野越大越好。
（2）用3个小的参数得到的 比用1个大的卷积核得到的参数要小
一个77的卷积核需要1个relu，3个3*3的卷积核需要3个relu
，3个relu的非线性特征越强
4.递归神经网络
（1）加入一个时间序列，隐层会多一个数据，前一个时刻训练出来的特征也会对后一个特征有影响。
(2)cnn用于cv计算机视觉，rnn用于nlp自然语言处理。
(3)rnn记忆能力比较强，最后一个结果会把前面所有的结果考虑进来，可能会产生误差。l s t m可以忘记一些特征，c为控制参数，可以决定什么样的信息会被保留什么样的信息会被遗忘。
(4)门单元乘法操作
5.词向量模型的通俗解释
（1）nlp和自然语言都是同一个词 ，所以他们在空间上的表达和向量上的表达上一致的。
（2）谷歌给出的官方数据是300维更精确。
然后根据向量之间的距离，用欧式距离、余弦距离用来计算两个单词的词向量。
这个图是代表50维的词向量，粉红色这些数字的含义相当于编码，在空间上有意义的，能被计算机识别。
（3）man和boy训练出来的颜色上很相近的。在词向量中输入是有顺序的。让神经网络学到语句的先后顺序。输出层很像多分类层。类似多分类任务后面加入一个softmax层
（4）look up embedding 词嵌入查找。a向量找a的词嵌入。
前向传播计算loss function，反向传播通过损失函数计算更新权重参数。word2vec不仅更新权重参数模型，也会更新输入。相当于词嵌入查找表是随机初始化
6.训练数据的构建
（1）指定滑动窗口来构建输入、输出数据
（前提是要保障词句之间的逻辑关系）
（2）cbow模型的对比，知道上下文去求中间那个词
（3）skipgram模型根据某个词去预测上下文的内容
（4）在gensim的工具包中可以选择cbow模型以及skipgram模型
（5）由输入数据，根据embedding look up去查找该词在词库表的位置。假设拿到一个比较大的语料库，所以最后的分类的类别也会比较多，这是个问题。最后一层相当于softmax。旧方法是由a预测b，新方法是由a预测b在a之后的概率（把a,b都当成输入数据）
（6）在词向量模型中不仅要更新参数，也要更新x。所以在反向传播当中，我们要更新权重参数和输入数据x。
