对XGboost和CNN的理解

XGboost: https://blog.csdn.net/a1b2c3d4123456/article/details/52849091
CNN: https://blog.csdn.net/woaijssss/article/details/79535052
输入层: 去均值、归一化、PCA/SVD降维等
卷积层: 权值共享
激活层:
首先ReLU，因为迭代速度快，但是有可能效果不加。如果ReLU失效的情况下，考虑使用Leaky ReLU或者Maxout，此时一般情况都可以解决。Tanh函数在文本和音频处理有比较好的效果。
池化层: 欠采样或下采样，主要用于特征降维 最大池化、平均池化
全连接FC层: Softmax输出
可以引入dropout操作，来随机删除神经网络中的部分神经元，来解决此问题。还可以进行局部归一化（LRN）、数据增强等操作，来增加鲁棒性。当来到了全连接层之后，可以理解为一个简单的多分类神经网络（如：BP神经网络），通过softmax函数得到最终的输出。整个模型训练完毕

https://campoo.cc/cnn/

医疗运作管理：https://www.zhihu.com/question/318235131/answer/637429075

python扩展包：https://www.lfd.uci.edu/~gohlke/pythonlibs/