真正的通用人工智能系统具有把握()的能力

VGG从增加网络宽度角度改进了之前的图像分类网络

Inception块的设计思想：多通路(multi-path)设计形式，使用不同大小的卷积核提取图像特征，并附加最大池化操作，将这四个输出层沿着通道这一维度进行拼接。最终输出特征图将包含不同大小的卷积核提取到的特征

VGG的主要思想是通过重复使用简单的基础块来构建深度模型为深度神经网络的构建提供了方向

VGG模型于2014年被提出，是最流行的RNN模型之一，在ImageNet比赛中，达到了Top5错误率7.3%

LeNet是由YannLeCun等人于1998年提出的，是人们第一次将卷积神经网络应用到图像分类任务上，在手写数字识别任务上取得了巨大成功

假设输入图片尺寸为100×100，卷积核大小为3×3，填充为1，步长为2，那么输出特征图的尺寸：H=10，W=10

BatchNorm可以从一定程度上抑制欠拟合

BatchNorm可以提高模型对初始值的敏感性

BatchNorm可以使学习快速进行（能够使用较大的学习率）

如果强行限制输出层的分布是标准化的，可能会导致某些特征模式的丢失，所以在标准化之后，BatchNorm会紧接着对数据做缩放和平移