两种卷积神经网络的优化方法 —— dropout 和 级联卷积核
dropout 函数
在机器学习中，如果模型比较复杂，参数很多，而训练样本又相对较少，那么训练出的模型很容易出现过拟合的问题，具体表现在模型在训练数据集上损失逐渐减少，但是在测试数据上损失却逐渐增大。
另外，训练深层神经网络需要更新大量的权值，这个过程也非常的耗时。
为了防止过拟合，在训练复杂的前馈型神经网络时，可以加入 dropout 操作。
即在训练时，随机让神经网络的某些隐含层节点停止工作，也就是让它们的权值为零，就好像从网络中删除了这些节点一样，接着将输入通过修改后的网络进行前向传播，然后将误差通过修改后的网络进行反向传播。
采用 dropout 可以使模型的泛化性更强，明显地减少过拟合现象。此外，因为它不会太依赖某些局部特征，而且减少了部分更新权值的时间，从而大大地节省了模型训练的时间。
在 TensorFlow 中集成了 dropout 函数，每一次迭代时，会按照指定比例随机将神经元设置为 0 。
参数
inputs 为输入的张量，
rate 是 0 — 1之间的小数，指定神经元每一次随机被丢弃的比例，如果 rate = 0.1，则 inputs 中 10% 的神经元将被丢弃，也就是 10% 的张量被设置为 0 。未被设置为 0 的张量将按照 1 - 1/rate 进行放大，从而所有输入的总和不变。
seed 是产生随机数的种子值，默认为 None ，一旦设置了这个种子值，每次总会丢弃固定位置的神经元。
training 用来指示当前是处于训练阶段还是测试阶段，只有当 training 为 True，处于训练阶段时，才会进行 dropout 操作，否则不进行 dropout 操作，使用 inputs 中所有的结点参与运算。
name 表示 dropout 层的名称，默认为 None。
级联卷积核
根据对动物视觉系统的研究，每个生物神经元只响应某些特定区域的刺激，一个神经元能够接收并响应的刺激区域称为神经元的感受野。例如，我们所说的视野就是眼睛能够接收到信号的区域。
在卷积神经网络中，通过卷积核提取图像中的特征，输出特征图。
感受野就是指特征图中每一个点对应输入图像上的区域， 使用一层卷积核，感受野就是卷积核的大小。例如，使用一层 3 x 3 的卷积核，
对于红色箭头所指的这个点，我们只能看到原始图像 3 x 3 的范围，感受野是 3 x 3 ，一共需要 9 个参数，如果要增大感受野，就需要加大卷积核的尺寸。例如，使用 5 x 5 的卷积核，就可以得到 5 x 5 的感受野。但这时，参数的数量也增加了。
需要 25 个参数。
感受野越大，特征提取的效果也就会越好，网络的精度也会更佳，但是，大的感受野也会使得模型的参数成倍增加。这会极大地影响神经网络训练的速度，
那么，如何在加大感受野的同时，又尽量减少模型的参数呢？
可以使用级联卷积核来解决上述问题。
例如，输入图像中的这块 5 x 5 的区域，使用 3 x 3 的卷积核，经过卷积运算后，在特征图 1 中得到的结果是一个 3 x 3 的区域，再使用一个 3 x 3 的卷积核对特征图 1 做卷积，在特征图 2 中，得到一个像素点。
也就是说，特征图 2 中的这个像素能感受到原图像中 5 x 5 的范围，感受野为 5 x 5 ，使用两个 3 x 3 的卷积核和使用一个 5 x 5 的卷积核可以得到同样大小的感受野。但是，使用一个 5 x 5 的卷积核，需要 25 个参数，而使用两次 3 x 3 的卷积核，只需要 18 个参数。
也就是说，堆叠多个小的卷积核代替一个大的卷积核不仅所需要的参数更少，而且卷积层数越多，特征提取就越细致，加入的非线性变换也越多，可以使得模型的非线性表达能力更好。因此，当我们构建卷积神经网络时，常用多个小的卷积核完成特征提取操作。
多通道的级联卷积核
灰度图像只有一个通道，而彩色图像则有多个通道，例如 RGB 图像有 3 个通道，我们在 R、G、B 三个通道上分别使用一个 3 x 3 的卷积核进行运算，将三个卷积结果堆叠在一起，得到特征图1。
要注意，这里得到的特征图是 1 层的，不再是 3 层的了，然后，再对特征图 1 进行第二次卷积，得到特征图 2 。
例如，对 RGB 图中这个 5 x 5 x 3 的区域，分别经过 3 x 3 的卷积核进行 3 次运算，在特征图 1 中，得到一个 3 x 3 的区域，经过第二次卷积，在特征图 2 中得到一个 1 x 1 的区域，也就是 1 个像素。
第一层，3 个 3 x 3 的卷积核，需要 27 个模型参数，第二层一个 3 x 3 的卷积核需要 9 个模型参数，一共需要 36 个模型参数。
总结一下，卷积神经网络中，模型参数的个数与卷积核的大小和输入图像的通道数有关，与图像本身的大小无关。