今天接着琢磨昨天的过拟合和参数选择问题。先查了资料，知道过拟合就是模型把训练数据学太死，记了很多没用的细节，导致测试数据不准。然后跟着教程加了个Dropout层，就是训练的时候随机让一部分神经元不工作，防止模型过度依赖某些特征，加完之后测试集准确率果然涨了一点，总算解决了小问题。
参数这块还是没头绪，昨天把卷积核数量从32改到64没效果，今天试了把卷积核尺寸从3×3换成5×5，训练更慢了，准确率反而掉了，又换回来。还调了池化窗口，发现2×2的效果就是比1×1好，具体为啥说不上来，纯靠试。
另外照着LeNet-5的完整结构搭了个模型，比之前多了一轮卷积池化，跑MNIST数据集准确率到了99%左右，比之前的简单模型强不少，总算有点成就感。
