卷积神经网络，CNN，全称Convolutional Neural Network。stride:步长设置越大，复杂度越低，感受野越大，但是图变小了，带的信息少了，一般设置为1。卷积核大小计算：（W-F+2P）/ S + 1。padding：在边缘添加一圈0，目的是保留边缘信息。卷积运算本质上是卷积核和输入数据局部区域做点积。卷积会改变通道数，池化不会改变通道数。1.卷积层：提取图像局部特征。全连

占资源，剩下的全是优点，符合训练规律，前期快，后期慢。lr新 = lr旧 * 0.9 ^ epoch。自己指定，自由度高，但是可能不准。二，指定间隔调整学习率。一，等间隔调整学习率。步长相同，操作简单。

使用欧氏距离公式，目的是解决L1函数在0点不可导的问题。2)kaiming随机：nn.kaiming.uniform()1)kaiming正态:nn.kaiming.normal()2)xavier随机：nn.xavier.uniform()1)xavier正态：nn.xavier.normal()2.使用魔法函数__init__(self)实现初始化。2.1初始化父类super().init()

比如算全班平均身高，随机选几个不算，然后算剩下的。训练阶段神经元随机失活，测试阶段不起作用。对数据进行归一化处理后进行缩放加平移处理。二,BN,批量归一化。

选自。

使用欧氏距离公式，目的是解决L1函数在0点不可导的问题。2)kaiming随机：nn.kaiming.uniform()1)kaiming正态:nn.kaiming.normal()2)xavier随机：nn.xavier.uniform()1)xavier正态：nn.xavier.normal()2.使用魔法函数__init__(self)实现初始化。2.1初始化父类super().init()

选自。

双向RNN模型：前向传播隐藏状态+后向隐藏状态。

使用欧氏距离公式，目的是解决L1函数在0点不可导的问题。2)kaiming随机：nn.kaiming.uniform()1)kaiming正态:nn.kaiming.normal()2)xavier随机：nn.xavier.uniform()1)xavier正态：nn.xavier.normal()2.使用魔法函数__init__(self)实现初始化。2.1初始化父类super().init()

首先导入sklearn的包，从sklearn.datasets里导入load_iris方法，接着就可以获取到鸢尾花的数据，我们可以看到输出的结果是字典类型的。首先从sklearn.model_selection模块中导入train_test_split方法,需注意的是train_test_split方法有四个返回值。二，训练集，数据集的划分。一种是[],另一种是.一，鸢尾花数据的处理。