1. 输入的信噪比
2. loss函数的设计
3. grad信息的应用


abs.cpu().detach().numpy()
array([[8.1206687e-02, 2.2388995e-05, 3.7080176e-02, 5.7033218e-02,
        1.7404296e-03, 7.6270252e-02, 5.9453689e-02, 4.0801242e-05]],
      dtype=float32)
ratio_nor.cpu().detach().numpy()
array([[4.3121886e+00, 3.2778070e-07, 8.9907879e-01, 2.1270120e+00,
        1.9807382e-03, 3.8038602e+00, 2.3113825e+00, 1.0885816e-06]],
      dtype=float32)

都比较差的时候区分不开 


## 发现的问题
1. 3x3的时候会有重复
   1. 重复的权重，虽然权重看起来都一样，但是有稍微的不同，不是完全一样
   2. 3x3太小了导致了样本的信噪比太低，大部分的样本切出来都是0
2. 5x5的时候会有网格状重复
   1. 通过比较小的loss不断得训练（epoch很大），最终还是会变成所有kernel都一样的“网格布”
      1. 每个kernel都是数值很低的，很接近的结果
3. 7x7的时候边框区域问题

## 问题的调试
1. 几个卷积核都是重复的，网格状的
   1. grad太大，learning rate 太大，grad太小，训练的epoch不合适
   2. 网格状，就是为了尽量降低最终输出的绝对值，降低loss
      1. 形成4个一组，一共2组，的形式，交替成为最大值，把另外一组的输出降低，最后都输出最低的绝对值
      2. 需要类似batchnormal的方式对各个conv核心之间进行归一化
   3. 采用label不改变原来sample output的 abs均值的限制
      1. 生成2个分别交替充当最大值的极端（只有2个像素不是0）的卷积核，其他的卷积核都是输出接近0的网格
   4. 多个卷积核之间需要有差异，同一个卷积核的不同样本输入也要有差异，卷积核的分布要有要求
   5. 每个卷积核尽量平摊权重到所有像素，而不是集中一个像素？提高鲁棒性？

## 可能的策略
1. 每个卷积核的改变权重(grad)能量守恒
2. 卷积核的每个像素的权重都独立统计？
   1. 权重的reduce体现的是相互之间的可比性，关系
3. 需要考虑梯度的绝对比值？