python手动实现一维度卷积
caffe是什么语言？
caffe是什么语言？
caffe是一个清晰而高效的深度学习框架，是纯粹的C /CUDA架构，支持命令行、python和matlab接口；可以在CPU和GPU之间无缝切换，其作者是贾扬清，目前caffe2已经发布。
caffe的全称是Convolutional Architecture for Fast Feature Embedding（译为：快速特征嵌入的卷积体系结构），核心语言是C 。caffe的基本工作流程是设计建立在神经网络的一个简单假设，所有的计算都是层的形式表示的，网络层所做的事情就是输入数据
如何设计卷积神经网络？
卷积神经网络是一种以卷积操作为主的神经网络，常常用于提取图像特征，可以用作图像分类，语义分割，图像生成等任务中。在实际中，我们想要应用卷积网络来解决一个具体问题，就需要设计出合适的卷积神经网络架构。也就是需要确定出网络模型的超参数，如网络的层数、卷积核大小、卷积核个数等等。
最简单直接的就是对这些超参数进行单纯的网格搜索（grid search），但是由于搜索空间很大，这种方法常常需要反复的试验和测试效果，以及调参经验，这就会耗费很多时间。
因此更为常用的方法则是借鉴前人的经验，对已有的网络架构进行稍加改进来应用于解决新问题。如果想要从头设计一个网络，也有一些现成的设计经验和方法以供参考。
1. 选择卷积神经网络的层数——从较少层数的简单模型开始测试，逐渐增加网络的深度和复杂度。我们在这里主要是进行深度的扩展，因为试验证明增加深度比增加宽度效果更好。
2. 加入跨层链接——增加跨层链接不仅使得卷积提取的特征能够更好的组合，此外在反向传播时，跨层链接能够让梯度信息有效的传递，从而加速收敛。
3. 卷积核大小的选择——通常会选取3*3或1*1大小的卷积核，通过堆叠多个3*3大小的卷积可以实现5*5、7*7的卷积效果，同时减少参数。1*1卷积则可以进行特征的降维。
4. 步长的选择——一般来说步长为1可以保持卷积之后的尺寸不变，若步长大于1则会进行下采样（downsample），成倍的减小特征图大小；而步长为1/2则是转置卷积为上采样（upsample），即成倍的增加卷积图大小。
5. 池化层的参数的选择——使用大小为2*2的maxpooling，此外还可以使用全局池化（global pooling）使得分类输出不受图像尺寸不同影响。
6. 激活函数的选取——最常用的就是Relu或者LeakyRelu。
7. Normalization的选择——Normalization是为了解决层状网络中出现的Internal Covariate Shift的问题。其中Batch Normalization往往适合于分类问题；Instance Normalization则用于图像生成；还可以使用更为通用的Group Normalization。