sigmoid会衰减输入的影响（大input，小output），层数过多的话，导致输入对cost的影响几乎为0
ReLU是Maxout的特例，Maxout比ReLU更灵活
如何训练Maxout
等价这个网络（不同的样本更新不同的参数）
优化器AdaGrad
RMSProp
local minima（参数越多，可能性比较小，因为要求每个weight都是最低点） / saddle point / 鞍点
Momentum（动量）
vi是所有历史梯度的加权和
前边是如何在train data取得好结果。后边是如何在test data取得好data。
Early Stopping
L2 regularization，乘上一个小于1的数，就会导致w越来越接近0，也就是不要离0太远，但是后边还有一项保证不是所有参数都成0. 这就是weight decay。因为每次都乘系数，所以最后都比较接近0，不会有很大的值（和L1的区别）。
在实际应用中，regularization有帮助，到那时可能没有那么重要，不像SVM中那么重要，因为初始化参数一般都是从0周围开始，early stopping也可以防止离0太远。
L1 也是接近0，但是每次减去的都是固定的。所以有接近0的，也有很大的值，显得比较稀疏。
Regularization = Weight Decay
Dropout
For each min-batch，we resample the dropout neurons。
测试时候两件事，1: 不要dropout；2：乘以（1-p）即dropout_keep_prob。
一个mini-batch训练一个网络；部分参数是共享的；