一、讀取數組長度
1、可以用代碼（以一維數組int a[5]爲例）
sizeof(a)/sizeof(a[0])
也就是
sizeof(數組指針）/sizeof(單位元素指針);2、針對多維的情況（以3維數組int a[5][6][7]爲例）
sizeof(a)/sizeof(a[0])//第一維的長度，也就是5
sizeof(a[0])/sizeof(a[0][0])//第二維的長度，也就是6
sizeof(a[0][0])/sizeof(a[0][0][0])//第三維的長度，就是7如果理解以上代碼的話，下面的代碼應該一看就懂了
sizeof(a)/sizeof(a[0][0][0]) == 5 * 6 * 7 == 210;
sizeof(a)/sizeof(a[0][0]) == 5 * 6 == 30;
sizeof(a[0])/sizeof(a[0][0][0]) == 6 * 7 == 42;二、隨機數
1、隨機數種子
計算機產生隨機數需要設置種子，否則產生的隨機數會是相同的。定義隨機數種子方法如下
srand((unsigned)time(NULL));2、C++中random和rand函數
Random（int n）：randomize，random 不是ANSI C標準，random函數不能在GCC,VC等編譯器下編譯通過Rand()函數則可以通過GCC,VC等編譯器
二、深度學習
(注：英（用）語（有）好（道）的同學最好來到這個網站下載研讀論文http://www.cs.toronto.edu/~hinton/ ,裏面pdf的鏈接左鍵可以打開在線閱讀，當然下載的話右鍵有個下載啥啥啥的，點他就好了）
1、深度學習的理解
深度學習（deep learning）是機器學習的一種，在2006年Geoffrey Hinton等在《科學》上發表的文章提出，基於深信度網(DBN)提出非監督貪心逐層訓練算法，爲解決深層結構相關的優化難題帶來希望，隨後提出多層自動編碼器深層結構。此外Lecun等人提出的卷積神經網絡是第一個真正多層結構學習算法，它利用空間相對關係減少參數數目以提高訓練性能。[1]，
2、淺度學習（shallow learning）存在的一些問題：
（1）梯度越來越稀疏：從頂層越往下，誤差校正信號越來越小；
（2）收斂到局部最小值：尤其是從遠離最優區域開始的時候（隨機值初始化會導致這種情況的發生）；
（3）一般，我們只能用有標籤的數據來訓練：但大部分的數據是沒標籤的，而大腦可以從沒有標籤的的數據中學習；[2]
在搜索資料的時候發現有貼吧網友指出以上三點有誤
1、越往下未必會越小，也有少量可能性會暴增
2、收斂到局部最小隻是網絡規模的問題，而不是BP算法的問題，而當時的硬件水平無法支持足夠大的網絡規模
3、對BP算法做變形，如autoencoder在90年代就被髮明出來，可以做無監督學習 Hinton有個PPT專門講這些訛誤[3]
引用資料：
[1]百度百科 http://baike.baidu.com/link?url=aBUioE8EYG9kBToQiSrcoPbxPfZeuyRAgRrZ-PE4YB19mmZEuOKmIwf8e3UwE-gYsF2IrIhit0Qg53kPUvBlnq
[2]Deep Learning 學習筆記整理筆記 http://blog.csdn.net/zouxy09/article/details/8775518
[3]百度貼吧http://tieba.baidu.com/p/3349640872
