智能控制的开发，目前认为有以下途径（） 

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

对中间层的输出做标准化，可以保证在网络学习的过程中，网络层的输出具有稳定的分布

由于池化之后特征图会变小，如果后面连接的是全连接层，能有效的减小神经元的个数，节省存储空间并提高计算效率

当输入数据做出少量平移时，经过池化后的大多数输出还能保持不变，池化对微小的位置变化具有鲁棒性