2）3d conv与2d conv相比，在时间维度上多了一个深度为k大小的卷积运算，导致运算量剧增，故需要大量数据进行训练得到一个较优的模型。在数据量不充足的情况下，网络通常会遭受过拟合的风险。所以在网络结构中加入了dropout[29]，这不仅可以有效的防止过拟合，还显著减少了计算代价，可以更容易地去添加卷积层数以学习更有意义的特征，还增强了网络的鲁棒性。
3）在网络结构中添加了batch normalization（bn）层[30]，这是为了保证各层的参数数据分布不会随着卷积操作的进行发生剧烈的变化，网络在一个不变的数据分布范围内更容易学习到有用的特征。此外，可有效避免在深层卷积神经网络中可能出现的梯度消失问题,还可提高网络训练速度。
