意味着对称性谱包含在计算过程中，省略它可以进一步加快计算。 这种现象主要是因为随着神经网络层数的增加，梯度消失的现象越来越明显。 常用的非线性激活函数为sigmoid，可以将输入的连续实数值都确定在0和1之间。 介绍了卷积神经网络发展史上著名的模型，这些模型非常经典，各有优势。

将卷积层的深度提升到19层，在当年的ImageNet大会上的定位问题上取得了第一名的好成绩。 通过在频域中应用矩形滤波器，可以在不大幅影响空间域的画质的情况下大幅去除频率成分。 确实，那个许可证不是免费的。 大多数大学为学生提供教育许可证，但可能无法获得目前所有的软件包。

池化层包含6个特征映射，每个映射的像素值为14×14。 这种池化层非常重要，在一定程度上提取了网络特征的同时，运算量也大大降低，减少了网络结构过拟合的风险。 其CPU并行化是自动的，而且由于使用了计算图表结构，所以可以简单地利用GPU计算。 可用的嵌入式函数提供了高度可定制、可优化、快速、可扩展的实验设置方法，可轻松获取网络变量并进行深度分析。

在不同的网络框架、批量大小(随机梯度下降( SGD )、1000个样品批和完全批)、HW列中介绍)下测试了标准的梯度下降过程。 这通过增加神经网络的深度和宽度可以取得更好的效果，在此过程中保证了计算资源的不变性。 如果只有一个图像和一个核，则每个元素的乘法运算只有F_image*F_filter。

随后，许多人经过验证，认为AlexNet模型的所谓局部归一化响应虽然浪费了计算资源，但性能没有大的提高。 由于这个主题已经被广泛研究并且持续快速发展，所以我们把这个文档和GitHub库配对了。 此库中的文档将动态更新，并且今后可能会扩大规模。

为了在充分利用计算资源的前提下提高模型的整体性能，作者使用了Inception模型。 这个模型如下图所示。 可见，类似金字塔的模型使用宽度并联的不同大小的卷积核，增加了卷积核的输出宽度。

卷积核可以是55的十字形，这2828个神经元共享卷积核权重参数，卷积运算增强了原始信号的特征，同时也降低了噪声，卷积核不同，提取到图像中的特征不同； C2层为池化层，池化层的功能如上所述，对局部像素值进行平均化实现二次采样。