卷积神经网络参数设置

接触机器学习的时间还比较短，对于训练的结果往往无法解释，不知道为什么好，也不知道为什么不好。所以罗列了一下卷积神经网络中设置的参数，希望能有所帮助。

一、训练集选择

训练集（Training Set）：训练模型，简单的说就是通过训练集的数据来确定拟合曲线的参数。

测试集（Test Set）： 测试已经训练好的模型的精确度。

测试集和训练集的划分方法有留出法、交叉验证法和自助法，具体可以参考如何划分训练集和测试集的介绍。留出法用得比较多，自助法一般只用于样本数特别少的情况。但是，建议样本量应该要有足够多，否则机器学习的结果不太好。简单说一下注意点：1.样本要随机化，防止大数据淹没小数据（到底是样本间差异很大的样本集训练出的结果好，还是样本间差异小的样本集训练出的结果好，比较疑惑图像的视角不同和颜色不同对结果的影响。）；2.训练集数据的数量应占2/3到4/5，剩下的是测试集；3.样本要做归一化，归一化的具体作用是归纳统一样本的统计分布性，能减少训练时间，避免出现异常样本数据引起的训练结果无法收敛。

二、卷积参数设置

如网络层数、卷积核大小、滑动步长等属于超参数，大多是通过已有的架构来做一些微调。

一般的图像识别