一个典型的神经网络

第一卷积层Conv1输入数据：32×32×3。

• 第一卷积层Conv1过滤器：维度5×5，步长1，填充0，过滤器6个。
  输出维度为32-5+1=28×28×6

第一池化层Pool1输入数据：28×28×6。

• 第一池化层Pool1过滤器：维度2×2，步长2，填充0。
  输出维度为28/2=14×14×6

第二卷积层Conv2输入数据：14×14×6。

• 第一卷积层Conv2过滤器：维度5×5，步长1，填充0，过滤器16个。
  输出维度为14-5+1=10×10×16

第二池化层Pool2输入数据：10×10×16。

• 第二池化层Pool2过滤器：维度2×2，步长2，填充0。
  输出维度为10/2=5×5×16

拉直成1维：5×5×16=400

全连接层FC3输入数据：400×1，输出数据120×1

全连接层FC4输入数据：120×1，输出数据84×1

Softmax回归输入数据：84×1，输出数据10×1

关于超参数的设置方法，尽量不要自己设置超参数，而是在文献中看别人采用了哪些超参数。选一个在别人任务中效果很好的框架，那么它也有可能适用于你自己的应用程序。

在神经网络中，另一个常见模式是：一个或多个卷积层后面跟随一个池化层，重复几次，然后是几个全连接层，最后是一个Softmax。

**函数size和参数个数的计算

Activation size = W × H × C
parameters = num_Weight + num_bias
对于卷积层：parameters = [ (f × f)_Weight + 1_bias ] × num_filter
对于全连接层：parameters = (n^[l-1] × n^[l])_Weight + 1_bias

有几点要注意：

• 池化层没有参数
• 卷积层参数相对较少，许多参数都存在于神经网络的全连接层。
  随着神经网络的加深，**值会逐渐减小，如果**值下降太快也会影响网络性能。

根据吴恩达老师的经验，整合这些基本模块确实需要深入的理解和感觉，而找到这种感觉的最好的方法，就是大量阅读别人的案例。