计算Featuremap
计算感受野
设输入层为第0层，输出层为第n层，从n向0来倒推：
例：在CNN网络中，图A经过核为3x3，步长为2的卷积层，ReLU激活函数层，BN层，以及一个步长为2，核为22的池化层后，再经过一个33的的卷积层，步长为1，此时的感受野是？
R
F
n
=
1
RF_n=1
RFn?=1
R
F
n
?
1
=
(
1
?
1
)
?
1
+
3
=
3
RF_{n-1}=(1-1)*1+3=3
RFn?1?=(1?1)?1+3=3
R
F
n
?
2
=
(
3
?
1
)
?
2
+
2
=
6
RF_{n-2}=(3-1)*2+2=6
RFn?2?=(3?1)?2+2=6
R
F
n
?
3
=
(
6
?
1
)
?
2
+
3
=
13
RF_{n-3}=(6-1)*2+3=13
RFn?3?=(6?1)?2+3=13
感受野为13
引起过拟合
在其他条件不变的前提下，以下哪种做法容易引起机器学习中的过拟合问题
正确答案: D
A、增加训练集量
B、减少神经网络隐藏层节点数
C、删除稀疏的特征 S
D、SVM算法中使用高斯核/RBF核代替线性核
避免过拟合的方法：正则化方法，强制减少参数，增大训练数据集。
对于B，过拟合是太多的参数引起的。神经网络减少隐藏层节点，就是在减少参数，只会将训练误差变高，不会导致过拟合。
对于D，svm高斯核函数比线性核函数模型更复杂，容易过拟合
径向基(RBF)核函数/高斯核函数的说明
这个核函数可以将原始空间映射到无穷维空间。对于参数 ，如果选的很大，高次特征上的权重实际上衰减得非常快，实际上（数值上近似一下）相当于一个低维的子空间；反过来，如果选得很小，则可以将任意的数据映射为线性可分——当然，这并不一定是好事，因为随之而来的可能是非常严重的过拟合问题。不过，总的来说，通过调整参数 ，高斯核实际上具有相当高的灵活性，也是 使用最广泛的核函数 之一。
机器学习题目：https://blog.csdn.net/will130/article/details/50706294