CNN

GoogLeNet 的主要特点是引入了 Inception 模块，通过在网络中并行组合多种不同尺度的卷积核，同时显著减少了参数量和计算成本。

NiN 网络通过引入 网络中的网络（Network in Network） 和 全局平均池化（GAP），显著增强了卷积神经网络的非线性表示能力，同时减少了参数量。

池化层也被称为下采样层，是深度学习神经网络中常用的一种层级结构。它通常紧跟在卷积层之后，对卷积层输出的特征图进行下采样操作。

卷积神经网络（CNN）中的全连接层是神经网络的一种基本层结构，通常位于CNN的尾部，用于对前面卷积层和池化层提取的特征进行全局分析和决策。

一维卷积神经网络（1D Convolutional Neural Network, 1D CNN）是卷积神经网络的一种变体，专门用于处理序列数据，如时间序列、文本等。

在卷积神经网络（CNN）中，权重（weights）和偏置项（bias）是两个至关重要的参数，它们在网络的学习和推断过程中起着关键作用。

CNN（卷积神经网络）、RNN（循环神经网络）和Transformer是深度学习中的三种重要网络结构，它们在模型结构、特征表示能力、训练效率和应用场景等方面存在显著区别。

CNN能够自动从图像数据中学习到有效的特征表示，无需人工进行繁琐的特征工程。

在深度学习蓬勃发展的当下，前馈神经网络（FNN）、卷积神经网络（CNN）和循环神经网络（RNN）成为了构建智能系统的重要基石。

聊聊池化层中常见的超参数及其选择策略，帮助大家在实际任务中快速上手，调优模型。