本文深入探讨LeNet-5手写数字识别网络的性能提升方法，包括卷积核尺寸对比、参数初始化策略及max函数导数解析。同时，介绍从底层实现卷积操作的重要性，讨论神经网络训练的多种方法，并提出实验建议。
1.LeNet-5中卷积核3×3和5×5的对比
实验要求不能调用现成的库函数，要从用for循环加乘实现卷积开始。
相当于自己写库函数，以后可以调用自己的库。
2.初始化参数能否都为0？
通过反向传播后，输入层与隐藏层之间的参数更新一样。隐藏层与其它层多个结点，相当于一个结点
w初始化全为0，很可能直接导致模型失效，无法收敛。
3.max函数的导数？
一个函数在某一点的导数描述了这个函数在这一点附近的变化率。导数的本质是通过极限的概念对函数进行局部的线性逼近。当函数
mean pooling：
max pooling：
4.求解深度网络，除了反向传播外的其他方法？
正向传播、反向传播、双向传播
5.下个LeNet的预训练模型，跑跑看
实验
1*.看《out of control》
2.VGGNet 3×3×3怎么排
堆叠覆盖
3.VGG16和VGG19的图
PPT上的图：应把22233和22244 改成22333和22444
扫一扫
170
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
