人工智能主要分为（）

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

池化是使用某一位置的相邻输出的总体统计特征来代替网络在该位置的输出

感受野是输出特征图上的像素点所能感受到的输入数据的范围

输出通道的数目通常也被称作卷积核的个数

一个卷积核对应于检测一种类型的特征

输入图片通常包含多个通道，例如彩色照片有RGB一个通道