本文总结和摘录了Michael Nielsen的那本Neural Network and Deep Learning一书中关于深度学习一章中关于提高泛化能力的一些概述和实验结果。力争用数据给大家一个关于正则化，增加卷积层/全连接数，弃权技术，拓展训练集等参数优化方法的效果。本文并不会介绍正则化，弃权（Dropout）, 池化等方法的原理，只会介绍它们在实验中的应用或者起到的效果，更多的关于这些方法

本文主要是讲述关于AlexNet相关内容

关于神经网络中的padding

卷积神经网络模型之——LeNet

介绍了进程、线程和协程，并通过实例对三种操作进行了展示，最后说明了适合三种并发操作方式的相应场景和任务。

关于GoogLeNet网络结构的分析和原理的详解，以及对应的创新部分做了较为详细的说明，并附带了网络的代码

本文主要内容是用keras实现循环实现温度预测。包括三个部分：1、预准备工作，包括：天气数据集的处理、并将部分温度数据用图像的形式绘制出来查看、数据的准备、进行数据标准化、准备数据生成器这几节。2、进行温度预测，包含三部分内容：基于常识的、非机器学习的模型，基于CNN的机器学习，基于GRU神经网络的机器学习。3、对网络进行改进，包含三个操作：在循环层中使用dropout来降低过拟合；使用堆叠循环层

神经网络中超参数调节和优化技巧、优化算法的分类介绍

人工智能、机器学习和深度学习之间关系简单说明

Python安装opencv-python或其他三方库时报错——ERROR: Could not build wheels for opencv-python（XXX）