深度学习里面的各种参数做一个学习记录

提示：自己根据自己的理解写的，水平有限，仅供参考，如有错误，欢迎指正

1. batchsize，iteration，epoch

batchsize：批大小。在深度学习中，每次训练在训练集中一次性取batchsize个样本训练，举例子，就比如你在操场跑步比赛，一共200人参加，一共10个跑道，每次就10个一组的上，batchsize就是每次一组的10个人，一般大小设置为2的N次方，因为GPU的线程一般为2的N次方，GPU内部的并行计算效率最高。比如设置为64，128等。那怎么确定大小呢？
batch_size设的大，收敛得快，需要训练的次数少，准确率上升的也很稳定，但是实际使用起来精度不高；
batch_size设的小，收敛得慢，可能准确率来回震荡，因此需要把基础学习速率降低一些，但是实际使用起来精度较高。
可以根据实际情况多试几次，选一个合适的值。更多详情参考这里

iteration：迭代。1个iteration等于使用batchsize个样本训练一次。用跑步的例子来说，就是200除以10等于20，iteration就是20。
epoch：1个epoch等于使用训练集中的全部样本训练一次，epoch的值就是整个数据集被训练几次。你在操场跑步跑圈，一圈就是把全部样本训练一次，跑多少圈就是训练多少次。因为训练数据不是跑一圈就完了，那样结果很不好，要经过多轮的训练，结果才会比较好，一般epoch的大小也是根据实际情况。更多详情参考这里（英文版）

2. filter，kernel_size，stride，padding

代码如下（示例）：

self.conv1_1 = nn.Conv2d(3, 64, kernel_size=3, stride=1, padding=1)
self.conv1_2 = nn.Conv2d(64, 64, kernel_size=3, stride=1, padding=1)

filter：滤波器，也就是卷积核。
kernel_size：卷积核大小。卷积核一般为奇数。
stride：步长。每次卷积核做卷积时移动的距离。
padding：填充。padding参数有两项：valid | same，valid表示无填充，same表示有填充。
详情可参考这里

3. ReLU，sigmoid，softmax

ReLU：线性整流函数（Rectified Linear Unit, ReLU），又称修正线性单元，是一种人工神经网络中常用的激活函数（activation function），通常指代以斜坡函数及其变种为代表的非线性函数。
ReLU函数如下图所示：

ReLU函数我们称为神经网络中的激活函数，激活函数作用。ReLU实现稀疏后的模型能够更好地挖掘相关特征，拟合训练数据。详情请看这里
我的理解是，ReLU函数相比于其他激活函数可以减小计算量，可以避免梯度消失，可以缓解过拟合问题。详情请看这里

sigmoid：sigmoid函数也叫Logistic函数，用于隐层神经元输出，取值范围为(0,1)，它可以将一个实数映射到(0,1)的区间，可以用来做二分类。在特征相差比较复杂或是相差不是特别大时效果比较好。Sigmoid作为激活函数有以下优缺点：
优点：平滑、易于求导。
缺点：激活函数计算量大，反向传播求误差梯度时，求导涉及除法；反向传播时，很容易就会出现梯度消失的情况，从而无法完成深层网络的训练。
Sigmoid函数由下列公式定义：

Sigmoid函数的图形如S曲线：更多详情请看

softmax：在数学，尤其是概率论和相关领域中，归一化指数函数，或称Softmax函数，是逻辑函数的一种推广。它能将一个含任意实数的K维向量z“压缩”到另一个K维实向量σ(z)中，使得每一个元素的范围都在(0,1)之间，并且所有元素的和为1。该函数多用于多分类问题中。比如MNIST手写数字辨识。详情请看

4. BatchNormal，Dropout，num_classes，mini_batch

BatchNormal： BatchNormal作用是把数据归一化，这样训练更快，因为把数据集都映射到原点周围了。详情请看
没有它之前，需要小心的调整学习率和权重初始化，但是有了BN可以放心的使用大学习率，但是使用了BN，就不用小心的调参了，较大的学习率极大的提高了学习速度，
Batchnorm本身上也是一种正则的方式，可以代替其他正则方式如dropout等
另外，个人认为，batchnorm降低了数据之间的绝对差异，有一个去相关的性质，更多的考虑相对差异性，因此在分类任务上具有更好的效果。
Dropout：dropout改变之前稠密网络中，权重统一学习，参数统一更新的模式，提出在每次训练迭代中，让网络中的部分参数得到学习，即部分参数得到更新，部分参数保持不更新。详情请看
num_classes：要分类的类别数，比如MNIST共有（0-9）10种类别。
mini_batch：当我们的数据很大时，理论上我们需要将所有的数据作为对象计算损失函数，然后去更新权重，可是这样会浪费很多时间。类比在做用户调查时，理论上我们要获得所有用户的评分再计算平均值，可这样也很浪费时间，但我们知道在调查中，可以用随机抽样的值来近似估计总体的值。于是，我们想要随机选择小批量的数据（Mini Batch）作为样本，来计算损失函数，然后当做总体训练数据的近似值。详情请看

5. receptive field

receptive filed：感知野。在机器视觉领域的深度神经网络中有一个概念叫做感受野，用来表示网络内部的不同位置的神经元对原图像的感受范围的大小。神经元之所以无法对原始图像的所有信息进行感知，是因为在这些网络结构中普遍使用卷积层和pooling层，在层与层之间均为局部相连（通过sliding filter）。神经元感受野的值越大表示其能接触到的原始图像范围就越大，也意味着他可能蕴含更为全局、语义层次更高的特征；而值越小则表示其所包含的特征越趋向于局部和细节。因此感受野的值可以大致用来判断每一层的抽象层次。详情请看

后续补充。。。