下面介绍深度学习算法中常用的一些概念。
（1）层（Layer）
神经网络是由多层组成的，层（Layer）就是接受加权输入、经过非线性激励函数变换、作为输出传递给下一层的容器。
一层通常只含一种激励函数，如池化、卷积等等。第一层和最后一层分别称为“输入层”和“输出层”，中间的都称作“隐藏层”。
（2）局部连接（Local connection），权值共享（weight sharing）
图像中某点只有它周边点存在联系，而不是全图。此外，卷积核的权值对图中所有点一致，通过卷积可以得到feature map
（3）池化操作
也是一种降采样的操作，将feature map中的特征进行聚合统计，
max_Pooling：对抽象特征提取较好（如纹理）
average_Pooling：对较形象的特征提取较好（如背景信息）
不用Pooling的替代方案：增加conv的stride以免去pooling操作
（4）激活函数（tanh，relu，sigmoid）
提供网络的非线性建模映射能力，如果没有激活函数，就只是线性映射，相当于多层感知器（MLP）
常见的激活函数对比可参考：https://blog.csdn.net/NOT_GUY/article/details/78749509
（5）全连接运算（inner product）
全连接层的每个点都是与上一层的所有点关联的，是用来把上一层的所有特征关联起来，一般全连接层的参数是比较多的。
（6）LRN（Local Response Normalization）
首次在AlexNet中提出并使用，在该模型中用以提高准确率，但在后来的一些文献中表明该方法其实并不是特别奏效。
一般是用在激活和池化之后，对局部神经元创造竞争机制，使得响应较大的值变得更大，抑制一些响应较小的值（侧抑制）。
函数定义等可参考：https://blog.csdn.net/program_developer/article/details/79430119
（7）BatchNormalization
在使用激活函数前，对特征进行归一化处理，
白化：把输入数据的分布变换到0均值，单位方差的正态分布, 那么数据就会收敛的更快
BatchNorm类似于对神经网络的激活层输入做简略版白化 （随着网络加深和不断训练，激活变换的输入分布会发生偏移，往上下限两端靠近，容易导致低层神经网络的梯度消失，所以可以通过bn把）
详细解释可参考：https://www.cnblogs.com/guoyaohua/p/8724433.html 及 https://blog.csdn.net/hjimce/article/details/50866313
（8）momentum参数理解
梯度下降法中的收敛加速法，带有momentum的时候可以使用较大的learningRate
（9）数据增强（Data Augmentation）
通过一些变换手段增加数据量和场景，从而提高模型的泛化能力，常见的增强技术有：
水平翻转，垂直翻转，旋转
缩放尺度、随机裁剪
加噪声，颜色变换