1.
两次卷积，一次池化。得到一个三维特征图，然后让三维的特征图，三个值进行相乘拉成特征向量，把得到的结果需要靠全连接层。
带参数计算才算一层
算conv的个数+FC全连接层=就得到卷积神经网络的层数
FC:全连接层

2.

3.reset网络（残差网络）
H(x）=F(x)+x
F(X)如果做的不好就不要了，令它为0；x是原本就有的映射。

残差网络可以降低错误率。

4.感受野
（1）通过堆叠多个33的卷积核来代替大尺度卷积核（减少所需参数）
比如某篇论文提到，通过堆叠两个33的卷积核替代55的卷积核，堆叠三个33的卷积核替代7*7的卷积核。
（2）感受野定义：在卷积神经网络中，决定某一层输出结果中一个元素所对应的输入层区域的大小，被称作感受野。输出feature map上的一个单元对应输入层上的区域大小。

5.

6.递归神经网络（RNN)
一般CNN适用于CV(视觉）
一般RNN适用于NLP(自然语言处理）
RNN:前一个时刻训练出的中间结果特征，也会对后一个时刻产生影响。

如果输入的是一个单词，比如x=i ,x1=am, xt=china
我们可以把单词转换成3维向量。（将单词转换成特征向量，然后根据时间顺序进行排列）
RNN的记忆能力强大，能把之前所有的结果记录下来，可能结果会产生误差。
LSTM网络：忘记一些没必要的特征。

5.将词文本转换成词向量
（1）只要有了向量就可以用不同的方法计算相似度
（2）数据的维度越高，能提供的信息也越多，从而计算结果的可靠性更值得信赖。
（3）相似的词在特征表达中比较相似。

在词向量中输入和输出分别是什么？
（1）通常是在词的层面上来构建特征，word2vec就是把词换成向量。
（2）相似的词在特征表达中比较相似，所以词的特征也是有实际意义的。
（3）构建训练数据，
CBOW:
Skipgram:

![在这里插入图片描述](https://img-blog.csdnimg.cn/0c391915dc264ed0a4f736d952f9e5bd.jpeg#pic_center)
如果语料库稍微大一些，可能的结果会很多，最后一层相当于softmax,计算会耗时，
方案1：输入两个单词，看他们是不是前后对应的输入和输出，相当于二分类任务
方法2：把输入的两个单词都当成输入，看原本应该是输出的那个单词符合正确的结果的概率是多少。

（2）负样本（负采样模型）：加入一些没有在输出语料库的单词，构造负样本。负采样样本：一般取参数5.

1）初始化词向量矩阵