0708个人学习日志

今天学习卷积神经网络：

收获：

1. 对图像进行随机裁剪，可以增加数据多样性，随机裁剪相当于对原始图像生成多个 “变体”，扩展了训练数据集的规模（变相增加样本量）；增强模型泛化能力：模型在训练中接触到图像的不同局部区域，减少对固定区域的依赖，从而更好地适应测试集中的新图像；抑制过拟合：通过引入随机性，降低模型对训练数据细节的过度学习，提高模型的稳健性。

1. 熟悉并掌握了nn.conv卷积工具,认识了其能力并了解了其工作方法。

1. 带步长的卷积在一定程度上可起到降采样的作用，这与最大池化法类似，二者都能缩小特征图尺寸，减少计算量和参数数量。但最大池化法是通过取局部区域内的最大值来进行下采样，更侧重于保留局部区域的显著特征，能突出图像中的关键信息，在特征提取和增强模型鲁棒性方面有较好效果。而带步长的卷积主要是通过间隔采样来降低维度，更侧重于快速缩小特征图尺寸，其在特征提取的针对性和对模型性能的提升效果上，不如最大池化法明显。

1. 明白了感受野的概念及其计算方法。

1. 学会自主构建nn子模块。