版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/m0_37922734/article/details/80286266
1.通过对embeddeding层的运用可以实现一个模型对五种服装的关键点定位，思路是通过不同类的softmax与预测的24个坐标相乘。
2.residualNet中的GlobalAveragePooling层可以借鉴学习
3.inceptionNet中的channelConcatenate层可以借鉴学习
4.改变tensor的width和height维度可以通过卷积操作与上采样
5.改变channel的维度最好的方法可以利用1x1卷积核的方法
6.1x1卷积核还可以相当于添加一个非线性函数的功能
7.通过inception网络可以看出，如果前层通过pooling减少维度之后也可以通过乘一个矩阵Wx来保持维度相同，以便和其他tensor进行concrete，Wx参数也是通过学习得到。
8.网络中的隐含层也可以进行类别判断。
9.可以利用cascade策略