今天重点搞懂了昨天没明白的 Padding 和 Stride，Padding 就是在图像边缘补像素，防止卷积后特征图变小、边缘特征丢失，Stride 就是卷积核滑动的步长，步长设大一点特征图会更小，计算更快，试了下把步长从 1 改成 2，demo 里的准确率稍微降了点。然后照着教程看了看 LeNet-5 的结构，就是多整了几轮卷积和池化，最后接两个全连接层，比昨天搭的简单模型复杂点，但原理差不多。顺手改了改昨天的 demo 参数，把卷积核数量从 32 改成 64，训练时间变长了，准确率倒是没涨多少，反而偶尔还会降，才发现参数不是越多越好，还是不知道怎么选合适的数值。另外跑模型的时候发现训练集准确率很高，测试集却差一点，查了下说是过拟合，这又是个新问题，暂时没搞懂怎么解决。今天也就这样了，没学太深，明天再琢磨过拟合和参数选择的事吧。
