1.为什么使用卷积核
① 参数共享
减少参数量
②稀疏连接
提高抽取特征的健壮性
2、网络的平移不变性是基于卷积核而具有的特性
3、 1 × 1 卷积的作用是对通道数进行降维或者升维。如果使用 n × n 卷积(此时的 n 不等于 1) 且不使用 padding 的话，则可以用来对宽度和高度进行降维
4、池化层可以用来对宽度和高度进行降维(此时需要不使用 padding)
5、Inception 通过对输入应用 1 × 1 卷积、3 × 3 卷积、5 × 5 卷积，然后将它们的输出进行拼接，如此就可以让网络来决定使用哪些卷积核组合，这样就可以减少人工选择卷积核的工作。同时为了方便不同大小的卷积核的输出进行拼接，需要对卷积核的输入进行 padding
6、使用迁移学习的时候，既可以冻结所有的隐藏层，只训练输出层，也可以冻结前面的隐藏层，只训练后面的几层，也可以不冻结隐藏层。具体的选择主要看训练集的数据量，数据量越大，需要冻结的层数就越小
7、交并比(IOU) = ，目的是为了评价对象定位算法是否精准，也可以用于判断两个边界框是否相似
8、非极大值抑制指的是对于同一个类别的方框中，如果有 IoU 大于阈值的，则保留概率最大的方框，而其他方框则抛弃掉
例如某个类别对应的方框中，假设有 6 个方框，按照概率从小到大分别是 A、B、C、D、E、F，然后分别计算 A、B、C、D、E 跟 F 的 IoU
① 如果 B 和 D 跟 F 的 IoU 超过阈值则将它们放弃掉，并保留 F 。
② 如果 A、C、E 跟 F 的 IoU 不超过阈值，则用 F 跟 A、C 计算 IoU，并重复 ① 和 ② 的操作
最后保留剩下来的方框
