卷积神经读书报告

答：小结：
1. 核心思想是采用 depth-wise convolution 操作，在相同的权值参数数量的情况下，相较于 standard convolution 操作，可以减少数倍的计算量，从而达到提升运算速度的目的。
2. depth-wise convolution 的思想非首创，借鉴于 2014 年一篇博士论文：《L. Sifre. Rigid-motion scattering for image classification. hD thesis, Ph. D. thesis, 2014》
3. 采用 depth-wise convolution 会有一个问题，就是导致「信息流余陵判通不畅」，即输出的 feature map 仅包含输入的 feature map 的一部分，在这里，采用了 point-wise convolution 解决这个问题。在后来，采用同样的思想对进行改进竖改，只不过把 point-wise convolution 换成了 channel shuffle，然后给美汪帆其名曰，欲知后事如何，请看 2.3

答：卷积神经（Convolutional work，CNN）是一种常用于图像处理、计算机视觉和自然语言处理等领域的深度学习模型。它通过卷积操作来提取输入数据中的特征，具有平移不变性、参数共享和稀疏连接等优点。
卷积神经主要由卷积层、池化层和全连接层等组成。其中，卷积层是卷积神经的核心部分，它通过滑动一个卷积核在输入数据上进行卷积操作，提取出数据的局部特征。池化层用于降低特征图的维度，减少计算量和内存消耗，一般采用最大池化或平均池化等方式。全连接层用于将卷积层和池化层提取的特征进行分类或回归等操作。
卷积神经的训练过程一般采用反向传播算法进行优化，通过对的参数进行迭代更新来使损失函薯早橘数最小化。在训练过程中，常用的优化算法包括随机梯度下降（SGD）、Adam、Adagrad等。
卷积神经已经在图像分类睁盯、物体检测、语义分割、人脸识别等领域取得了广泛的应用，并且在深度学习领域中成为了非常重数团要的模型之一。

卷积神经 读书报告