按住Ctrl ,左击连线,就可以高亮显示两个连接的引脚.

项目主页：http://caibolun.github.io/DehazeNet/ GitHub代码 ：https://github.com/caibolun/DehazeNet BReLU+Caffe ：https://github.com/zlinker/mycaffe 其他复现：（1）https://github.com/zlinker/DehazeNet （2）https://github.com/allenyangyl/dehaze 总结： 提出一种名为DehazeNet的可训练的端到端系统，用于传输值估计。 DehazeNet将模糊图像作为输入，并输出其中间透射图，随后用于通过大气散射模型恢复无雾图像。 DehazeNet采用基于卷积神经网络的深层架构，其层专门设计用于体现图像去雾中已建立的假设/先验。具体而言，Maxout单位的图层用于特征提取，这可以生成几乎所有与雾相关的特征。我们还在DehazeNet中提出了一种新的非线性激活函数，称为双边整流线性单元，它能够提高恢复的无雾图像的质量。我们在提议的DehazeNet的组件与现有方法中使用的组件之间建立连接。基准图像的实验表明，DehazeNet比现有方法具有更高的性能，同时保持高效和易用。 摘要 背景：Single image haze removal is a challenging ill-posed problem. 现存方法：Existing methods use various constraints/priors to get plausible dehazing solutions. The key to achieve haze removal is to estimate a medium transmission map for an input hazy image. 提出的方法：In this paper, we propose a trainable end-to-end system called DehazeNet, for medium transmission estimation. DehazeNet takes a hazy image as input, and outputs its medium transmission map that is subsequently used to recover a haze-free image via atmospheric scattering model.

Sina Weibo：小锋子Shawn Tencent E-mail：[email protected] http://blog.csdn.net/dgyuanshaofeng/article/details/80198393 1 Why Machine Learning Strategy 为什么采用机器学习策略？ 因为机器学习是很多重要应用的基石。比如，web搜索，email反垃圾，语音识别，商品推荐，等等。对于我来说，我关注机器学习算法在医学影像、医学信号和医学文本中的应用。 书中第一章假设我们创建并运营一个猫图识别公司，并处于努力提高猫检测器准确率的困境中。我们可能有如下想法：1、收集更多猫图；2、在收集过程中，关注训练集的多样性，比如各种姿势的猫、不同毛色的猫、利用不同sensor拍摄的猫；3、让算法迭代更多更充分；4、尝试更大的神经网络；5、尝试更小的神经网络；6、尝试加入正则项，比如L2惩罚；7、改变神经网络结构。此书的作用就是在开发应用中，告诉我们哪些可行的窍门，那些不可行的窍门，节省我们的时间。 2 How to use this book to help your team 如何使用这本书？ 完成这本书的阅读，为机器学习项目设定工程方向，会有深入的理解。 3 Chapter 50 Choosing pipeline components: data availability 针对管道系统是否end-to-end，分析了数据获取的影响。 1、end-to-end系统的数据通常较少，需要设计采集装置进行数据收集； 2、但是，我们可以利用手上的数据开发非end-to-end系统。 Chapter 51 Choosing pipeline components: task simplicity 分析任务简单性，并建议我们分治困难问题。 Chapter 52 Directly learning rich outputs 简单地说，神经网络很强大，我们的欲望也更多，希望输出更多有用的信息。

差不多一年之前，勒索病毒的爆发让我们见识到了漏洞威胁的可怕之处。事后多个调查机构证实，通过暗网的连接，找到漏洞的人、把漏洞做成黑客工具的人、发动攻击的人组成了一个产业链，最终掀起了全球性的安全恐慌。 这个事件里，我们看到了把安全漏洞工具化可能带来的社会性危害，但好在仅仅是计算机和网络的虚拟世界里。可是最近一些新的安全研究成果却表明，现实世界中也有黑客能够利用漏洞袭击的目标，比如我们身边很常见的东西：智能锁。 今天每个人都难免住酒店，假如你在一家五星级酒店休息的时候，门外却有个陌生人拿着一把万能钥匙，可以打开每间房的房门，你会是什么感觉？是不是有点毛骨悚然？ 然而这件事确实有人能够做到，好在做到它的是两位安全专家。但同时他们也在提醒整个行业，越是智能的东西就会有越多漏洞。而任何漏洞，都可能是不法之徒的新机会。 两名白帽子，十年兼职， 打开了数百万个酒店房间 让大牛推荐杀毒软件的话，我们经常能够听到一个叫做F-Secure的名字。这是一家欧洲很著名的网络安全公司，坐标在芬兰。最近很多欧洲媒体都报道，F-Secure的两名安全专家在业余时间搞了一点“小爱好”。这个业余爱好搞了十年之久，但“结果喜人”——他们破解了著名酒店锁制造商VingCard的安全系统，造出了可以打开使用VingCard锁的全球数百万个酒店房间的万能钥匙。 根据这两位高人Tomi Tuominen和Timo Hirvonen对媒体吐露的信息。事情最早要追溯到2003年他们的同事在酒店丢了电脑，但酒店坚持说自己没有责任。于是他们俩就想看看，到底能不能利用系统漏洞打开酒店的门锁，甚至不留下一点痕迹。 于是他们开始了漫长的研究，分析了智能锁的整个构造原理。最终通过找出一些看似无害的隐藏漏洞，造出了能够打开每扇门的钥匙。他们给这次行动起了一个很酷而且意味深长的名字：鬼锁（Ghost in the Locks）。 经过十年数千小时的工作，到2015年，两位专家建造了一个RFID演示环境，到2017年3月他们成功在一家酒店配置出了全能钥匙。根据他们的方案，只要拿到一家酒店的房卡甚至是过期房卡，就可以很快配出能打开酒店每个房间的主秘钥。并且他们的突破性在于，被万能钥匙打开的房门会完全记录为正常开门，甚至不会留下任何数据痕迹，可谓真正的来无影去无踪。 （这个小卡片能够打开无数酒店的房门） 为了让破解酒店智能锁这件事有足够的说服力，两位专家选择了顶级锁商VingCard作为测试目标，很多知名酒店都是他们的客户，比如喜来登集团、洲际酒店等等。很多中国著名酒店，比如北京国贸大酒店，也在这次被攻克的酒店名单里。并且两位专家还谦逊地表示，他们用了十年之久，主要是因为还有全职工作，假如全心全意弄这件事，说不定很快就成功了…… 目前他们已经把发现的漏洞公布，相关酒店也收到了漏洞补丁，但是想要填补这个漏洞必须在每个门锁上再加入一个固件，估计酒店和锁商都有的忙了。好在目前没有任何证据表明黑客和不法分子掌握了这项技术。 但这两位专家还是提醒我们，黑客通过漏洞获取能够打开大批智能锁的万能钥匙，也仅仅是时间问题而已。 一切联网的都有漏洞， 而每个漏洞都是一把万能钥匙 当然了，天底下没有绝对的安全，任何锁都有能打开的办法，只是看值得与否。 在今天各种黑客大会上，破解各个品牌的智能锁基本已经成为了常规表演项目。在发布会上被说的天花乱坠的智能锁，到了黑客们手中基本经不住一会折腾。不少围观群众惊呼智能锁的战斗力也太弱了。 客观地讲，把传统家庭锁拿到开锁匠的大会上，估计也没有谁能刚一波正面。毕竟开门撬锁是一个多重因素制约的犯罪行为，试想真的有个黑客抱着电脑蹲在你家门口破解一两个小时，这画面的清奇程度也太辣眼睛了，至少小区里的大妈们绝不允许。 但芬兰两位大神导演的“鬼锁”事件却告诉我们，只要被黑客掌握了漏洞，完全可以把安全隐患构建为工具化，再把这种工具交到不法之徒手中，从而让任何人都能简单易操作地打开千家万户。 这就像勒索病毒事件中，发现漏洞、制作工具和实施攻击者分别是不同组织，他们之间的利益交换，导致了事件朝着越来越坏的方向发展。 对于智能锁的安全隐患也是一样，当紧盯着系统漏洞，伺机寻找破解方式的黑客，开始为“一线犯罪分子”提供万能钥匙等犯罪工具，那么智能锁的威胁才真正到来。 相比于家庭智能锁，公共区域的智能锁由于批次统一、作案难度小，确实可能成为黑客们的更好目标。酒店、民宿和智能仓库都是如此，尤其在新兴起的民宿行业中，密码锁基本是标准配置。而事实证明拦截密码也是最简单的智能锁突破口。 另一个存在智能锁安全隐患，却缺乏重视的领域是汽车。在车联网和汽车智能化不断发展的今天，汽车系统的背后也必然存在未知漏洞，通过它们来打开车窗车门，甚至操纵汽车本身，都值得安全产业警惕。 总而言之，在我们接受智能的馈赠时，似乎也必须要接受其背后可能藏着的“漏洞炸弹”。 鬼锁洞开之后： 如何应对“智能锁依赖症” 智能锁的出现，确实让我们摆脱了对钥匙这种又笨又重东西的依存，尤其对于很多新兴行业来说，可以依靠手机和密码打开的智能锁，代表着商业模式可以达成的基础条件。 虽然安全永远是相对的，但专为豪华酒店打造锁具的行业顶尖企业都可以被攻克，或许还是应该带给我们新的警惕。 首先对于大规模使用密码锁、统一型号智能锁的行业，比如酒店、民宿、租车、智能仓库等来说，或许应该重视安全服务商的真正价值。这次事件已经证明，让白帽跑在前面，比黑帽们更早发现问题，很可能是最可取的方式。 而这就需要专业的团队和主动出击能力，尤其对于创业者来说，安全支出应该被视为不能节省的成本。否则一旦出现问题就可能是大麻烦。 对于家庭用户来说，聘用安全机构当然不可能。但在智能锁通行的今天，还是要注意不要把鸡蛋放在一个篮子里，独立的监控系统十分必要。 另外家庭场景中，应该尽量减少联网解锁方式，保证门锁独立。通过联网信息暴露密码、蓝牙探测器等今天主要破解家庭智能锁的方式，都是通过联网来实现骇入。独立指纹锁相对安全，另外必要的保险也是应该的。事实上，智能锁已经带给我们的安全以很大进步，问题是我们也要搞懂智能锁的工作原理，以新的思维方式来应对可能发生的危险。 而对于旅行者来说，能做的无非还是老一套：做好每一道锁门工序，不要过于信赖酒店的门和保险柜——无论你住什么级别的酒店。

GEN简介 地下水环境网（Groundwater Environment Network），取英文首字母缩写简称GEN，与汉字“根”同音。意喻地下水为根。既是地下水本身作为我们生存之水的本意，也表示我们自己要做的踏踏实实，打牢根基，同时根也是暗部组织。 定位 地下水环境网是介绍、分享地下水环境相关政策、技术、资料等综合性行业门户，我们致力于为地下水行业人员提供一个专业、便捷、全面的交流、学习平台。 理念 传播专业知识 拓展行业技术 提供交流平台 推动产业发展 LOGO 蓝色水滴，孕育生命之源！ 历史 地下水环境网共三个平台： 1、网站 虽然dixiahsui.cn的域名注册于2013年，但是地下水环境网官方网站实际上要比微信公众号还要晚一些， 2、微信公众号（微信号：groundwater_Z） 地下水环境网公众号注册于2015年4月17日，5月17日发布第一条消息。 3、微博（地下水环境网） 我与GEN 记得我与地下水环境网结缘应该是在2015年的9月份，从网站会员注册时间看是2015年9月9号，那时我本科毕业后，留在学校准备考研，复习间隙就搜索与地下水相关的网站和微信公众号，想了解地下水更多的东西，就这样发现了地下水环境网。关注之后有一天发现地下水环境网在招募管理员，当时决定加入并不是因为丰厚待遇，而是一句话，大致意思是加入地下水环境网能够遇上一群走在路上，且志同道合的朋友。看到招募后就跟当时的sweaken（现在的水土君）联系，简单聊了一下后，就决定让我负责网站术语部分，因为当时网站模块较多，需要较多的人手。我开始运营网站时，已经是网站的第二版了，之前水土君和兵哥自行使用免费模板搭建的网站没能见到，很是遗憾。看了下当时的招募信息，应该是2015年9月8号，这应该就是我认识地下水环境网的第一天。然后第二天9月9号就注册了网站，开始管理网站。 决定做了以后，每天中午趁着回家休息吃饭的间隙编辑10条左右，就这样坚持到了研究生考试的前一周。现在看，再次体会到积少成多的作用，这一经历获得的东西让我受益终生。 考完试之后就马上去了北京，想在北京找一份实习，投了无数简历，但都打了水漂，用人单位不是说不需要实习生，就是说要放假了明年再来吧。专业相关单位找不到实习，甚至问过肯德基、麦当劳。后来跟水土君聊天的时候说我正在北京找实习，他那也正好缺一个，就非常有幸去了水土君的单位做实习生。在北京真的非常有幸遇到水土君，亦师亦友，对我的帮助非常大，一言两语说不清，一句话就是真的很感激。 之后慢慢熟悉了之后，就开始管理网站的其他栏目，最终成为网站的超级管理员，负责网站的运营。再后来，微信公众号逐渐火起来了，为了获取移动端更多的用户，我参与到微信公众号的维护中，兼顾网站，一直做到2017年12月因为一些原因就退居二线了，偶尔参与一下，出点意见什么的，另外更多新鲜的血液也进来了。 现在正值3周年，于是我就复出啦，保证活动的正常进行。如今，地下水环境网微信公众号关注着已接近2万，而网站注册会员也1400多人了。能够走到今天这一步，全靠一群志同道合的甘于奉献的小伙伴，没有他们也成就不了今天的地下水环境网。 值得自豪的是，地下水环境网已经被行业所认可，成为地下水行业的翘楚。学校老师在上课时都会向学生推荐我们地下水环境网。这时，感觉之前所做的一切特别有价值。另外，一些水文地质界的老前辈也在关注地下水环境网，让我感到非常荣幸。 在如今大好的环保形势下，地下水专业变为热门专业，这一行业仍有很长的路走。而我们地下水环境网也必将砥砺前行，为地下水事业的发展添砖加瓦。

整个流程可以大概分成四部分。 1. 数据获取：①本地获取，用户手工输入，或者以文本文件的形式读取，又或读取某个数据库；②网络获取，比如爬取信息，对信息解析，保存到文件，或者网站直接提供了api与数据下载。 2.数据整理：把数据获取的部分，按我们需要的方式给整理完成，包括数据格式，数据的取舍，数据计算等等，又可以称为“数据清洗”，其目的是为了之后的数据分析，减轻分析的难度。 3.数据分析：在整理的基础上，按照我们想要的方式对数据进行分析，统计 4.数据展示：完成分析后，把结果展示出来，又可以细分为传统的控制台展示；以图形化的形式展示（数据可视化）；也可以不展示，把分析结果保存到文件里。 尽管用其他程序语言也可以完成相同的工作，但python的简易性，众多的第三方库已经对类似的工作，进行了大量的“奠基”，站在前人的肩膀上，能够大大减少开发难度与时间。 同时，因为python的第三方太多，这就造成了数据分析的整个流程中，同一个功能，很可能许多库都能完成，而多个流程，也可能由一个库就能解决，存在重叠性。 Anaconda 是一个第三方提供的开源免费工具集平台，它支持800多个python第三方库，包含多个主流工具，特别适合数据计算领域开发，跨平台能在Windows/linux/os x 等系统上使用。 工具集平台：Anaconda IDE，包括conda，spyder，IPython三个核心。 工具之一：conda 包管理和环境管理，包管理与pip类似，管理python的第三方库；环境管理能够允许用户使用不同版本的python，灵活在它们之间切换。conda工具将其他工具，第三方库，python版本，与conda自己都当成包，同等对待。 工具之一：Spyder 编写和调试python源代码的工具，Windows有一个spy++工具，两者完全不同，不要混淆 工具之一：IPython interactive扩展的交互环境，在python基础的交互环境（黑框框shell）之上增强了很多功能，使得输入输出更加清晰，适合可视化和GUI相关应用。在这个交互环境中，使用?能直接显示变量类型，%run demo.py 直接运行py程序。 以上都是通用领域的开发工具，还有两个特别适合科学技术与数据分析领域： canopy是收费滴，SO………… 首先认识numpy库，它是一个开源的python科学计算基础库，它提供了以下功能： 1.一个强大的N维数组对象ndarray 2.广播功能函数，用来在数组间进行计算 3.整合c/c++/fortran代码的工具 4.线性代数，傅立叶变换，随机数生成等 数据纬度：一组数据的组织形式，向一维方向展开，就是一维数据，向N个纬度上展开，就是N维数据。 一维数据：我们日常使用的数组，python对应的列表，集合等概念。 二维数据：由多个一维数据组成，是一维数据的组合形式，典型“表格”，其中表头可以是二维数据的一部分，也可以单独存在。 多维数据：由一维或二维数据在新的纬度上扩展，比如书本。 高维数据：和多维不同，仅使用简单的二元关系来表示复杂的数据，典型就是“字典”这种键值对。 既然python基础已经提供了列表这样的复杂数据结构，能够表示多维，为什么还需要额外引入ndarray呢？ 例子：使用基础python方法 这样的计算方法，思维重点还是在单个元素上，而numpy提供了更接近科学计算的思想模式 代码量并没有减少，但是它编程的方式符合科学计算思想。 ndarry特点： ①数组对象可以去掉元素间运算所需的循环，使一维向量更像单个数据。 ②设置专门的数组对象，经过优化，可以提升这类应用的运算速度。 ③经过观察，在科学计算中，一个纬度的所有数据类型往往相同，数组对象采用相同的数据类型，有助于节省运算和存储空间。 换句话说，python基础的列表结构，尽管提供了灵活性，但同时也在运算速度和存储空间方面做了取舍。 ndarry由两部分构成： ①实际的数据 ②描述这些数据的元数据（数据纬度，数据类型等） 因为元数据需要一些额外信息，所以轴（axis）保存数据的纬度，秩（rank）表示轴的数量。 实例： int32是numpy自己定义的，不属于python基本类型 为什么ndarray要支持这么多复杂的类型呢？ 对比python仅有bool，整数，浮点数和复数4种基础类型。 因为科学计算设计数据较多，对存储和性能都有较高要求，元素类型精细定义，有助于numpy合理使用存储空间并优化性能。 同时对元素类型精细定义，有助于程序员对程序规模有合理评估。

暗局是什么：就是你看不见的东西 首先对 暗局 暗网 暗文化介绍 1、我们为什么要了解暗局、暗网、暗文化 一、暗局 你一眼能看出来的东西就是明局 你仔细看，不明显但真真实实存在的东西，叫暗局 如下： 陪领导打牌： 1、明局：我要赢你 2、暗局：我要让领导高兴 在爱情中也存在明局暗局： 女朋友说：你喜欢我哪里？ 1、明局：告诉我你喜欢我什么 2、暗局：你丫使劲夸我 关于价值观 明局：此时此刻高兴就好 （菜鸟） 暗局：现在苦一点没事，为了以后更幸福（高手） 高手永远用发展和未来的眼光看世界 概念：格局 牛人格局 1、不在乎存量，在乎增量 2、不太关心现在，关心未来 3、不关心及时的回报，关心长久的回报 二、暗网 3点启发： 1、有时候，看不见的，反而是真实存在的。 2、要用多维度多角度看世界 3、网络上自己的隐私十分重要 三、暗文化 在印度拖裤子是对别人的尊重，这是明局；而暗局是臣服于别人 2、公司中的暗文化（潜规则） 要么适应 要么改变 或者离开 （记住：千万别抱怨） 3、社会暗文化（亚文化） 我们要尊重但不要被其影响 并且需要了解不要一无所知 因为我们要用多维度，多角度的状态去看世界

首先看效果图： ####怎样获取百度地图api 第一种方式：找到“百度地图api” 第二种方式：”百度地图生成器“ 注意此方式生成的地图使用的是百度地图api1.1 ####设置地图样式 博主使用的是用百度地图生成器生成的地图，可以先保存成html格式，查看地图是否需要改进 – 消除百度地图的logo 方法：使用Google浏览器打开刚刚保存的HTML，打开开发者模式（或者按F12） 添加样式消除logo .BMap_cpyCtrl { display: none; } .anchorBL { display: none; } #####设置背景色 因为这个样式在百度地图api1.0中不起效，所以我把JavaScript换成了3.0 原js: 换成api3.0 #####设置地图的大小 这里设置充满屏幕，需要改动三个地方，是否还有其他方法不太清楚，但是博主是这样做的（可能我太菜了） 暂时博主就只设置这几个样式，最终效果图如下： ####使用webView加载百度地图 这里我使用Javafx中的webView组件，详情可见：WebView组件概览 目录结构： package work.javaee.maptest; import javafx.application.Application; import javafx.scene.Scene; import javafx.scene.layout.BorderPane; import javafx.scene.web.WebEngine; import javafx.scene.web.WebView; import javafx.stage.Stage; public class Main extends Application{ @Override public void start(Stage primaryStage) throws Exception { //设置窗体布局 BorderPane borderPane = new BorderPane(); //创建scene Scene scene = new Scene(borderPane); //创建WebView和WebEngine对象 WebView webView = new WebView(); WebEngine webEngine = webView.

 今天陈飞老师分享一个使用PPT2016制作一个封面页实例，其中涉及到知识点包括了图片变暗处理，线框的设置，PPT文字居中到页面正中，我们先看一下效果图 第一步：插入图片，进行大小调整，当然这里面最关键就是注意在PPT插入的图片应该保证比例统一，不能变形。但是默认插入的图片在PPT会盖住默认输入文字的占位符。需要给调整顺序。如下图1所示位置 我们插入的图片有太亮了。可以通过更正调整图片的亮度与对比度：这样做的好处就是为了让我们标题文字进行凸显，这也是PPT处理标题文字常用的一中手法 http://www.dushuwu.net/xqkan.aspx?newsid=443 第二步：在默认提供的PPT标题占位符输入标题文字读书屋OFFICE教程网，并进行文字大小，颜色，字体的改变，最后调整一下占位符大小和位置(可以参考PPT视频讲解)，并且为标题添加一个文本映像效果 也可以让标题文字放在整个页面正中，这里面的关键点在于先选择对齐幻灯片，然后在设置对齐上下居中。这样就可以保证了标题框在正中了 第三步：在标题框外侧添加线框进行装饰，线框在PPT封面页这个设计中，也是为了引导听众在标题文字上停留，操作的关键点在于，绘制线条，改变线条的颜色，操作的技巧点在于可以先一次把线条绘制完成，然后在按SHIFT键进行加选线条。在PPT绘制线条时，可以按住SHIFT键变成一个直的 PPT软件中所有的关于线条（边线）的设置都在形状轮廓属性中，可以进行粗细，颜色类型的改变 通过上边3步我们就可以制作出一个比较好看的PPT的封面页。这里面主要就是对图片进行变暗处理，通过线框引导听众注意力，给标题文字增加效果

卷积神经网络课程内容 1. 计算机视觉解决的常见问题： 图片分类（image classification）、物体识别（Object detection）、图片风格迁移（Neural style transfer） 面临的挑战：输入可能很大（1000*1000*3有3百万个输入），也是卷积要解决的问题。 2. 边缘检测 过滤器（filter、kernel） 垂直边缘检测器： 3. 更多边缘检测 正数较亮，负数较暗 除了手写的过滤器，还可以用反向传播去学习，形成一个过滤器 4. padding 之前的做法优缺点“ 1. 会使得图片矩阵变小 2. 在矩阵中间的点比边缘的点使用更多，边缘的信息丢失 所以在使用过滤器之前，可以加边缘（padding），每个边都加一个像素，就能削弱上面两个缺点 填充的选择： Valid ：no padding Same: 输入输出（过滤后）的大小相同，使得n+2p-f+1=n，p=(f-1)/2 其中，n是输入的维度（n * n)，p是padding，f是过滤器的维度 f一般是奇数，方便填充，会有中心点。 5. 卷积步长（Strided convolution) 图示解析： 如果蓝框超出图像，不进行运算（向下取整） CNN中一般都将上面的步骤（cross-correlation互相关）叫卷积 而数学上还要将filter做镜像处理再相乘： 6. 卷积运用在三维模型时 chanel必须相等 下图是只对红色channel有效的和对所有颜色有效的过滤器十三层参数选择（右下） 左下角说明选择的filter的height和weight可以不与输入相同，比如输入6*6*3，filter为3*3*3，输出会是4*4 同时检测多个边缘（水平、垂直、45度）怎么办：使用两个过滤器，将结果叠起来。 channel也可以叫depth（但是容易和深度学习的深度混淆） 7. 单层卷积网络 8. 简单卷积网络示例 下图演示了一个图片经过层层处理后，weight和height逐渐减小以及filter逐渐增加的过程（常见过程） 除了卷积层，CNN常见的其他层还有池化层（pooling layer）和全连接层（Fully connected layer）： 虽然只用卷积也能构成一个深度神经网络，但是一般都会用到其他两种层，辛运的是他们比卷积层更好设计。后两节课会简单介绍一下另外两种层。 9. 池化层（静态属性，无需学习） Max pooling（最大池化很少用padding） 上面讲的公式计算输出矩阵的大小同样适用于池化层输出的计算 平均池化（不常用，除了很深的网络中会用到） 池化层总结： 10. 卷积神经网络示例 在本课程中一般说“一层”指的是具有参数的层（比如池化层没有参数，只有超参数，和conv合称一层）