deep learning
数据增强技术（data augmentation），主要是在训练数据上增加微小的扰动或者变化，一方面可以增加训练数据，从而提升模型的泛化能力，另一方面可以增加噪声数据，从而增强模型的鲁棒性。主要的数据增强方法有：翻转变换 flip、随机修剪（random crop）、色彩抖动（color jittering）、平移变换（shift）、尺度变换（scale）、对比度变换（contrast）、噪声扰动（noise）、旋转变换/反射变换 （rotation/reflection）等，可以参考Keras的官方文档 [2] 。获取一个batch的训练数据，进行数据增强步骤之后再送入网络进行训练。
tensorflow
model.predict：预测的是数值,而且输出的还是5个编码值，不过是实数，预测后要经过argmax(predict_test,axis=1)。还会搭配 argmax()（取最大值的下标） 使用,argmax()产生一个独热向量（one-hot）
model.predict_classes：预测的是类别，打印出来的值就是类别号，同时只能用于序列模型来预测，不能用于函数式模型
卷积神经网络
卷积层：提取特征
池化层：主要作用是减小特征图，起到降维(机器学习 PCA)的作用。常用的方法是选取局部区域的最大值或者平均值
softmax（激活函数）
softmax() 本质就是一个指数函数,被用于多分类问题
CNNs
AlexNet
ZF Net
VGG Net
GoogLeNet
Microsoft ResNet
Region Based CNNs
Generative Adversarial Networks
Generating Image Descriptions
Spatial Transformer Networks
