先附上一个关于 epoch, iteration的疑惑的帖子，这个人写的很好，他的其他关于深度学习的文章也值得看一看。关于iteration，epoch，batchsize的理解
在看程序中遇到的关于 argparse 的疑惑。
argparse 使用
神经元
each neuron performs a dot product with the input and its weights, adds the bias and applies the non-linearity (or activation function)。 换句通俗易懂的话就是说，每一个神经元做的事情实质上是用输入的像素和权重做了点积，之后加上了bias。得到了一个类似于scores的东西，然后将这个scores通过一个非线性计算（**方程）。
A single neuron can be used to implement a binary classifier (e.g. binary Softmax or binary SVM classifiers)
**方程
下面要介绍几个**方程各自的优缺点。
先占坑，有空来补上，最近忙着做毕设，焦头烂额。
Neural Network architectures
Layer-wise organization
- 命名习惯：一般我们说的 N-layer 神经网络，实际上是不包括 input layer 的。所以平时说的 single layer 指得就是没有隐藏层，从输入层直接映射到输出层。
- 输出层：输出层后面是没有**方程的，因为最后一层代表的是 class scores。
feed-forward computation
- The forward pass of a fully-connected layer corresponds to one matrix multiplication followed by a bias offset and an activation function. 翻译过来就是正向计算时要做的就是：矩阵相乘后加上bias，然后结果通过一个**方程。
在传统的神经网络中，三层网络的效果要比二层的好很多，但是再深一点，比如四，五，六层，却没有太大的改善。这个和卷积神经网络形成了鲜明的对比，对于识别系统来说，深度在CNN里是一个非常重要的成份。这种观察的论据是，图像是分级结构的，比如说人脸有眼睛组成，眼睛又由边缘线条等组成，因此多层处理对于此数据域来说是很直观的。
Setting number of layers and their sizes
- 直接上结论：The takeaway is that you should not be using smaller networks because you are afraid of overfitting. Instead, you should use as big of a neural network as your computational budget allows, and use other regularization techniques to control overfitting.
翻译一下意思就是说：不要使用小的网络。你应该使用尽量大的网络，并且使用一些正则化方法（such as L2 regularization, dropout, input noise，higher weight decay）来避免过度拟合。