1、为什么在图像处理中使用卷积神经网络？

• 原因一：重要的模式通常都比图像本身小。我们要发现某个模式其实局部就够了，而且局部参数少。
• 原因二：相同的模式会出现在不同的区域。
• 原因三：二次抽样不会改变我们关注的模式（二次抽样会减少参数）。

2、卷积神经网络之所以优于其它深度神经网络是由于它特殊的操作。

相比一次只计算图像中的单个像素，CNN 将多个像素的信息组合在一起，因此能够理解时间模式。

3、学习率

• 学习率决定了进行梯度下降时更新参数减小误差的幅度。
• 选择合适的学习率非常重要，我们需要找到的是足够大却又不会使训练发散的恰当学习率。
• 单周期策略。简单来说，就是先暴力查找几个不同的学习率，然后选择一个最接近最小误差但还有进步空间的。

4、池化（Pooling）

可以看出，当图像尺寸增大时，其内部的加法、乘法和除法操作的次数会增加得很快，每一个filter的大小和filter的数目呈线性增长。
由于有这么多因素的影响，很容易使得计算量变得相当庞大。

为了有效地减少计算量，CNN使用的另一个有效的工具被称为“池化（Pooling）”。池化就是将输入图像进行缩小，减少像素信息，只保留重要信息。

池化的操作也很简单，通常情况下，池化区域是2*2大小，然后按一定规则转换成相应的值，例如取这个池化区域内的最大值（max-pooling）、平均值（mean-pooling）等，以这个值作为结果的像素值。

通过加入池化层，图像缩小了，能很大程度上减少计算量，降低机器负载。