批次的选择首先决定了下跌的方向。如果数据集比较小，可以用全数据集(全数据集…显示全部)来讲深度学习中的Batch_SizeBatch_Size，它是机器学习中的一个重要参数，涉及到很多矛盾。让我们逐一展开。首先，为什么需要Batch_Size参数？批次的选择首先决定了下跌的方向。
4、怎么使用caffe实现人脸的识别1 数据库，像本题这种数据集的传统手工特征完全够用，没必要用CNN和DL来吃数据。现在比较大的人脸数据集casiawebfacedatabase需要申请生物识别与安全研究中心；那么HKCU也有人脸数据集；最近有一个MegaFace，但是好像MegaFaceMegaFace还不能下载。
对于我们这些没有足够数据又想用CNN的人来说，有没有什么福音？我们强烈建议主题来finetune上，并欢迎交流。3人脸识别，如果没有预处理，当然需要检测和定位，但是很多人脸数据集都可以预处理，所以在caffe中只需要分类。
5、Nature:从FortranAlexNet代码改变了科学界选自《自然》作者:JeffreyM。Perkel Machine Heart编译Machine Heart编辑部2019年，“事件视界望远镜”团队拍摄了第一张黑洞照片。这张照片不是传统的照片，而是对美国、墨西哥、智利、西班牙和南极洲的射电望远镜捕捉到的数据进行了计算数学转换。该团队将代码提供给科学界，并在此基础上进行进一步的探索。而这也逐渐成为一种普遍的模式。
斯坦福大学计算生物学家、2013年诺贝尔化学奖得主迈克尔·莱维特(MichaelLevitt)表示，目前的笔记本电脑在内存和时钟速度方面比其1967年的实验室电脑快1万倍。“今天，我们拥有强大的计算能力。但问题是，它仍然需要人类的思考。没有能够处理研究问题的软件，没有懂得如何编写和使用软件的研究人员，计算机是没有用的。”现在研究和软件密切相关，已经渗透到科研的方方面面。
6、[论文阅读-1]ImageNetClassificationwithDeepConvolutionalNeural...Abstract我们训练了一个大规模深度卷积神经网络，将ImageNetlsvprc2010大赛中的120万张高分辨率图像分类为1000个不同的类。在测试数据上，我们取得了top1和top5的错误率，分别为37.5%和17.0%，相比之前的最高水平有了很大的提升。神经网络有6000万个参数和65万个神经元，由5个卷积层(其中一些卷积层后面是最大池层)和3个全连接层(最后1000个softmax)组成。
为了减少全连通层的过拟合，我们采用了最近发展起来的正则化方法dropout，结果表明非常有效。我们还在ILSVRC2012比赛中输入了这个模型的一个变体，得到了15.3%的top5测试错误率，而第二名得到了26.2%的错误率，为了提高它们的性能，我们可以收集更大的数据集，学习更强大的模型，并使用更好的技术来防止过拟合。
