题外话：神经网络经验分享 曾经做PyRNN,基于Theano的GPU运算(Python2.7) 。 对于特定问题，比起改进网络来说，如果能开发具有针对性的 feature,效果将提高更快 。如果只是研究层的相对顺序和数量，很快可以得到结果 。 根本性的改进来源于在网络中引入全新的层或特征 。网络一般只和功能有关 。CNN 更好的处理图像，能输出conv map 。 RNN 为了使输出有前向性，后效性 。SPP.CNN@Microsoft 可以得到bounding box 研究网络本身是一个巨大的工程，需要较多的专业知识才能得 到灵感 ·一般来说结构组成： ·CNN→RNN→全链接层（用于图像关于时间的序列） 过于深层的网络将由于显存限制变的瘦小而降低效果，另本身 不需要这么抽象的概念。32位浮点误差较大（少用乘法、乘方）题外话：神经网络经验分享  曾经做pyRNN, 基于Theano的GPU运算 ( Python 2.7 )  对于特定问题，比起改进网络来说，如果能开发具有针对性的 feature，效果将提高更快 ◦ 如果只是研究层的相对顺序和数量，很快可以得到结果 ◦ 根本性的改进来源于在网络中引入全新的层或特征  网络一般只和功能有关 ◦ CNN 更好的处理图像，能输出conv map ◦ RNN 为了使输出有前向性，后效性 ◦ SPP-CNN @ Microsoft 可以得到bounding box  研究网络本身是一个巨大的工程，需要较多的专业知识才能得 到灵感  一般来说结构组成：  CNN→RNN→全链接层（用于图像关于时间的序列）  过于深层的网络将由于显存限制变的瘦小而降低效果，另本身 不需要这么抽象的概念。32位浮点误差较大（少用乘法、乘方）