卷积神经网络的功能组件：1、卷积层前面案例中的卷积核是我们给定的。实际上，在图像识别任务中，卷积核是卷积网络自动学习到的。卷积核中数值，本质上还是类似全连接网络中的权重，学习方法也是BP算法，只不过在卷积网络中，卷积核在整个图像上平铺开来，有的资料上称之为权值共享，这样做的好处是大大减少了网络训练的参数。2、池化层池化运算比较简单，分平均池化和最大池化。池化层与卷积层不同的是，池化层是固定的。池化层主要作用是去掉卷积得到的特征映射中的次要部分，进而减少网络参数，本质是对局部特征的再次抽象表达，因此也叫子采样，有均值采样和最大值子采样。卷积和池化操作，层层递进，赋予神经网络抽象能力。3、其他层其他功能组件大致分为全连接层(FC层)，当然还存在一些看不见的功能单元，如激活函数，Dropout丢弃处理，批量规范化BatchNormlize等。丢弃层(Dropout层)，每次训练时，随机删除50%的隐藏神经元，解决深度学习中因大量参数而导致过拟合问题。批规范化(BN层)是由DeepMind团队提出的，是现代深度网络架构中最常用的一种技巧之一，原理是使网络中间数据的分布尽量规范化，通过一定的规范化手段，把每层神经网络任意神经元的输入值的分布强行拉到正态分布。

Docker方式安装深度学习框架：Docker方式安装深度学习框架：Docker的推出极大地提高了应用的部署效率，可以把配置好环境的TensorFlow等框架下载到本地运行。实验需要在Linux系统下进行，先安装好docker引擎，具体过程请参考教材。

Pytorch深度学习框架：PyTorch具有构建神经网络的独特方式。大多数框架，比如TensorFlow，Theano，Caffe和CNTK拥有静态视图。建立一个神经网络，并重复使用相同的结构。改变网络的行为方式意味着必须从头开始。使用PyTorch，我们使用一种称为反向模式自动分化的技术，它允许您以零延迟或开销改变网络的任意运行方式。

TensorFlow深度学习框架：功能概述：Tensorflow功能强大，执行效率高，但Tensorflow是比较底层的深度学习框架，学习门槛高，有特殊的“计算图”程序设计模式，需要自行设计张量运算，初学者会有挫败感。Keras是框架的框架。先学习Keras，它以Tensorflow为底层，很容易建立深度学习模型，就像傻瓜相机与智能相机的差别一样。Keras使用Python编写，以TensorFlow为其后端引擎。使程序员花最少的时间，就可以建立深度学习模型，进行训练，评估准确率，并进行预测。

误差反向传播算法：多层神经网络学习规则：在含有多个隐藏层的神经网络中，如何计算每层参数的梯度向量，进而调整参数，需要用到著名的误差反向传播算法。人们花费了30年的时间才为单层神经网络增加了一层，为什么这么难，就是因为没有找到适合多层神经网络的学习规则，1986年反向传播算法被提出来后，神经网络又回到历史舞台。在网络前向传播时，可以看到损失函数是权重的复合函数，靠近输入层的权重，复合层次越深，所以在求梯度时，越靠近前面的层，根据复合函数求导的链式规则，梯度计算表达式越繁琐(具体的推导公式有无数的参考文献，有兴趣的同学请自行查阅)。反向传播算法是梯度下降法中重要的一环，负责在梯度下降的每次迭代中计算权重参数的梯度，提高神经网络的训练效果。反向传播法基于链式法则，合并了许多重复的运算，只需进行一次前向传播与一次反向传播，就可以计算所有参数的梯度。

深度学习的今生前世：20世纪40年代，Meculloh和WalterPitts从原理上证明了人工神经网络可以计算任何算术和逻辑函数。20世纪50年代，Rosenblatt提出了感知机网络和联想学习规则，公开演示了它进行模式识别的能力，不幸的是，研究表明感知机网络只能解决有限的几类问题。20世纪80年代，训练多层感知器的反向传播算法横空出世。Hinton于2006年设计出深度信念网络并革命性地提出深度学习的概念。2012年，Google开发的自动学习方法，实现了猫脸识别的无监督学习，人工智能从YouTube的视频中识别出猫。20世纪40年代，Meculloh和WalterPitts从原理上证明了人工神经网络可以计算任何算术和逻辑函数。20世纪50年代，Rosenblatt提出了感知机网络和联想学习规则，公开演示了它进行模式识别的能力，不幸的是，研究表明感知机网络只能解决有限的几类问题。20世纪80年代，训练多层感知器的反向传播算法横空出世。Hinton于2006年设计出深度信念网络并革命性地提出深度学习的概念。2012年，Google开发的自动学习方法，实现了猫脸识别的无监督学习，人工智能从YouTube的视频中识别出猫。

混淆矩阵的含义：混淆矩阵是将每个观测数据实际的分类与预测类别进行比较。混淆矩阵的每一列代表了预测类别，每一列的总数表示预测为该类别的数据的数目；每一行代表了观测数据的真实归属类别，每一行的数据总数表示该类别的观测数据实例的数目。每一列中的数值表示真实数据被预测为该类的数目。TP(真阳性)表示阳性样本经过正确分类之后被判为阳性。TN(真阴性)表示阴性样本经过正确分类之后被判为阴性。FP(假阳性)表示阴性样本经过错误分类之后被判为阳性。FN(假阴性)表示阳性样本经过错误分类之后被判为阴性。

交叉验证什么意思：交叉验证的概念很简单。以10倍交叉验证为例，给定一个数据集，随机分割10份，使用其中的9份来建模，用最后的那1份度量模型的性能，重复选择不同的9份构成训练集，余下的那1份用作测试，需要重复10次，10次测试的平均作为最后的模型性能度量。

泛化能力是什么意思：泛化能力是指机器学习算法对新鲜样本的适应能力。通常期望学习模型具有较强的泛化能力。

数据集划分标准：1、训练集训练数据(Traindata)集是用于建模的，数据集每个样本是有标签的（正确答案）。通常情况下，在训练集上模型执行得很好，并不能真的说明模型好，我们更希望模型对看不见的数据有好的表现，训练属于建模阶段，线下进行，如果把机器学习过程比作高考过程，训练相当于平时的练习。2、验证集为了模型对看不见的数据有好的表现，使用验证数据(Validationdata)集评估模型的各项指标，如果评估结果不理想，将改变一些用于构建学习模型的参数，最终得到一个满意的训练模型。在验证集上模型执行得很好，也不能真的说明模型好，我们更希望模型对看不见的数据有好的表现，验证属于建模阶段，线下进行，如果把机器学习过程比作高考过程，验证相当于月考或周考。3、测试集测试数据(Testdata)集是一个在建模阶段没有使用过的数据集。我们希望模型在测试集上有好的表现，即强泛化能力。测试属于模型评估阶段，线上进行，如果把机器学习过程比作高考过程，验证相当高考。4、数据集划分标准一般来说采用70/15/15，但这不是必须的，要根据具体任务确定划分比。