来源：
 消融实验是什么？ - 飘哥的回答 - 知乎
 https://www.zhihu.com/question/291655038/answer/683038545

一、创客教育的起源
 
2001年，麻省理工学院发起的Fab Lab成为最早的创客空间
 2005年可开放编程的开源智能硬件aduino诞生
 2006年MIT开发基于aduino的开源图形化编程平台scratch.google开发出blockly
 2009年MakerBot在推出开源廉价桌面级打印机，打通了结构件和开源硬件
 基于aduino智能硬件、3D打印制作创新作品的人被称为“创客”
 美国政府在2012年正式推进创客、STEM教育
 2015年教育部启动第一届中美青年创客大赛
 2015年教育部将创客教育写入工作规划，因此称为“创客教育元年”
 
二、创客实验室是做什么的
 创客实验室可以简单的分为校园创客实验室。
 创客实验室也称“创客教育实验室”“创客空间”。创客实验室是可以让创客们的创造力得到无限发挥的地方，它是一个创新能力、数理能力、协作能力、表达能力以及空间思维创作能力的创客平台空间。学校里的创客实验室是一个创新工场，课程项目的趣味性能够提升学生的创意，作品完成后的展示效果能够提升学校创新氛围，所以国家大力提倡校园创客教育。
 

 在创客实验室里聚集了各行各业的专业达人，在这里创客们可以结识到志同道合的朋友，大家一起通过思想上的碰撞让大脑飞转，通过开放式的交流、完善想法、完善创意。
 
三、如何建设校园创客实验室
 随着创客实验室从社会逐步延伸至校园，创客实验室与创客空间的定位有所不同。对于学校教育而言，创客实验室的价值在于创意的成型与商业化，其重点是创造一个环境培育学生的创客思维，追求的不是一个思想结果，而是一个思维过程。因此，学校创办一个符合学校教育需求的创客实验室，去照搬现在商业社会的创客模式并不适用。
 
 
1、明确创客实验室的主题方向
 校园创客实验室主要定位的主题偏向智能机器人、aduino、3D打印、手工制作、激光切割等。虽然不同的创客活动可以互相融合，但要全部掌握也需要投入很多的时间。所以一个创客实验室什么活动类型都包含，反而不一定能让学生精通，因此要从学校的定位和创客老师的特长进行切入。
 
2、完善创客实验室的课程体系
 任何教育理念都是需要体系化才能让孩子们从简入难，从入门到精通，创客教育实验室更是如此。因此学校创办一个创客实验室，需要同步规划好符合自身需求的创客课程。
 
 
3、加强创客文化的推进
 创客实验室的定位不只是让创客聚集，它更需要的是创客文化的交流，对于学校的创客实验室而言，学生通过共同完成一个项目，能更好培养他们的合作能力，而社团就是将学生聚集起来的最好形式。
 
四、学校创客实验室包含几个功能区域
 校园创客空间包含6个功能区：展示区、创造区、活动区、讨论区、材料区、阅读区

什么是消融实验（Ablation experiment）？
 
笔者第一次见到消融实验（Ablation experiment）这个概念是在论文《Faster R-CNN》中。
 消融实验类似于“控制变量法”。
 假设在某目标检测系统中，使用了A，B，C，取得了不错的效果，但是这个时候你并不知道这不错的效果是由于A，B，C中哪一个起的作用，于是你保留A，B，移除C进行实验来看一下C在整个系统中所起的作用。

Robert Long对消融研究（或消融实验）定义：通常用于神经网络，尤其是相对复杂的神经网络，如R-CNN。我们的想法是通过删除部分网络并研究网络的性能来了解网络
 
“消融”的原始含义是手术切除身体组织。
 
 
 
ablation 
 解释: 通过机械方法切除身体组织，如手术，从身体中去除，尤指器官、异常生长或有害物质。
 
 
“消融研究”这一术语的根源于20世纪60年代和70年代的实验心理学领域，其中动物的大脑部分被移除以研究其对其行为的影响。
 在机器学习，特别是复杂的深度神经网络的背景下，已经采用“消融研究”来描述去除网络的某些部分的过程，以便更好地理解网络的行为。
 
自从Keras深度学习框架的主要作者Francois Chollet在2018年6月发布twtter以来，该术语受到了关注：
 
 
 
消融研究对于深度学习研究至关重要。理解系统中的因果关系是产生可靠知识的最直接方式（任何研究的目标）。消融是一种非常省力的方式来研究因果关系。
 如果您采用任何复杂的深度学习实验设置，您可能会删除一些模块（或用随机的模块替换一些训练有素的功能）而不会降低性能。消除研究过程中的噪音：进行消融研究。
 如果您无法完全理解您的系统？很多活动部件，想确定它的工作原因是否与您的假设密切相关？尝试删除东西。花费至少约10％的实验时间来诚实地反驳你的论文。
 
 
 
 
举个例子会理解直观些：
 
       Girshick及其同事描述了一个由三个“模块”组成的物体检测系统：第一个使用选择性搜索算法提出图像区域，在该区域内搜索物体。进入一个大的卷积神经网络（有5个卷积层和2个完全连接的层），进行特征提取，然后进入一组支持向量机进行分类。为了更好地理解该系统，作者进行了一项消融研究，其中系统的不同部分被移除 - 例如，移除CNN的一个或两个完全连接的层导致性能损失惊人地少。
 
这使作者得出结论：
 
 
 
CNN的大部分代表性力量来自其卷积层，而不是来自更大的密集连接层。
 
 
Reference：
 
Girshick, R., Donahue, J., Darrell, T. and Malik, J., 2014. 《Rich feature hierarchies for accurate object detection and semantic segmentation》. In Proceedings of the IEEE conference on computer vision and pattern recognition (580-587页).