temp_X的博客

VGGVGG历史VGG(Visual Geometry Group)全称Very Deep Convolutional Networks for Large-scale Image Recognition具体内容常用D的配置选择13个卷积层，5个下采样层（池化层），三个全连接层，

网络训练耗时为什么要用GPU训练网络CPU 训练是在载入图片并进行处理后再开始训练网络，而利用GPU 训练是在CPU 载入图片处理后利用GPU 进行网络训练，GPU 训练速度更快且后面的图片加载不受音响为什么要用tf.data方法训练不适用多线程方法，读取图片较慢，大多数情况下GPU 都在空闲状态，使用多线程方法可以提图片读取处理速度，使得CPU和GPU更好搭配，缩短训练时间，利用缓存也可以提升CPU读取和处理图片的速率。（提前读取图片放在内存中，内存得足，但效果没有使用多线程明显。）..

AlexNetAlexNet发展史AlexNet网络亮点：1.首次利用GPU加速训练；2.使用了ReLU激活函数，而不是传统的sigmod和Tanh激活函数；3. 使用了LRN局部相应归一化；4.在全连接层中使用了Dropout随机失活神经元操作，减少过拟合。过拟合:       根本原因是特征维度过多，模型假设过于复杂，参数过多，训练数据过少，噪声过多，导致拟合的函数完美的预测训练集，但对新数据的测试集预测结果差。过度的拟合了训练数据，而没有

误差计算普通神经网络正向计算的过程。下图为三层神经网络为例。

目标检测CNN（convolutional neural network）![在这里插入图片描述](https://img-blog.csdnimg.cn/20210405102540275.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3RlbXBfWA==,size_16,color_FFFFFF,t_70包含卷积层的网络都可以认为是卷积