本周重点学习了动态学习率和模型过拟合后怎么办，动态学习率主要是为了保证在模型训练过程中在早期能够提升学习效率，在后期能够避免错过最佳模型。而在模型训练过程中，过拟合现象相对常见，在面对过拟合时要如何处理也是一个重要的工程。

经过两次卷积和池化：第一次卷积后：28→26（因为卷积核 3，无 padding），然后池化：26→13。然后优化器（比如 SGD）会根据这个“差的程度”去调整模型的内部参数（权重），让下一次猜测更接近正确答案。这其实是一个多分类的学习任务，相当于利用CNN神经网络进行图片特征提取、识别，最终对图片进行10分类（0-9）。：转成浮点数（True→1, False→0）并求和，得到这个 batch