CNN我们可以从两个角度来理解其中的具体过程NeuronVersionStory(解释版本1)对于图像分类，其具体的流程如下所示：将一张图像作为模型的输入，输出经过softmax之后将与理想向量用交叉熵的形式进行比较。那么如何将图片作为模型的输入呢？实际上每张图片都是三维的张量，两维表示长宽，一维表示通道（RGB），那么就可以将这个张量拉长成一个向量，就可以作为模型的输入了，该向量的每一个元素都是对应像素在对应通道上的取值。那么如果将上述的向量输入到一个全连接的网络中：可以看到参数量非常的巨大！，因此我们应该尝试来进行简化！观察现象1：假设我们a当前在分辨一张图片是不是一只鸟的时候，我们并不用

CNN我们可以从两个角度来理解其中的具体过程NeuronVersionStory(解释版本1)对于图像分类，其具体的流程如下所示：将一张图像作为模型的输入，输出经过softmax之后将与理想向量用交叉熵的形式进行比较。那么如何将图片作为模型的输入呢？实际上每张图片都是三维的张量，两维表示长宽，一维表示通道（RGB），那么就可以将这个张量拉长成一个向量，就可以作为模型的输入了，该向量的每一个元素都是对应像素在对应通道上的取值。那么如果将上述的向量输入到一个全连接的网络中：可以看到参数量非常的巨大！，因此我们应该尝试来进行简化！观察现象1：假设我们a当前在分辨一张图片是不是一只鸟的时候，我们并不用

在前面介绍的模型中，一般我们都会假设训练资料和测试资料符合相同的分布，这样模型才能够有较好的效果。而如果训练资料和测试资料是来自于不同的分布，这样就会让模型在测试集上的效果很差，这种问题称为Domainshift。那么对于这种两者分布不一致的情况，称训练的资料来自于SourceDomain，测试的资料来自于TargetDomain。那么对于领域转变的问题，具体的做法随着我们对于目标领域的了解程度不同而不同，主要有以下几种情况：我们当前拥有少量目标领域的样本且含有标注：具体做法是取其中的一小部分去“微调”训练好的模型，但要注意不能够训练太多次迭代否则可能会对小部分的样本产生过拟合我们拥有目标领域

在前面介绍的模型中，一般我们都会假设训练资料和测试资料符合相同的分布，这样模型才能够有较好的效果。而如果训练资料和测试资料是来自于不同的分布，这样就会让模型在测试集上的效果很差，这种问题称为Domainshift。那么对于这种两者分布不一致的情况，称训练的资料来自于SourceDomain，测试的资料来自于TargetDomain。那么对于领域转变的问题，具体的做法随着我们对于目标领域的了解程度不同而不同，主要有以下几种情况：我们当前拥有少量目标领域的样本且含有标注：具体做法是取其中的一小部分去“微调”训练好的模型，但要注意不能够训练太多次迭代否则可能会对小部分的样本产生过拟合我们拥有目标领域