1、介紹下卷積操作的作用
卷積網路中的卷積核引數是通過網路訓練出來的
通過卷積核的組合以及隨著網路後續操作的進行，卷積操作可獲取影象區域不同型別特徵；基本而一般的模式會逐漸被抽象為具有高層語義的「概念」表示，也就是自動學習到影象的高層特徵。
2、cnn結構特點
區域性連線，權值共享，池化操作，多層次結構。
1、區域性連線使網路可以提取資料的區域性特徵
2、權值共享大大降低了網路的訓練難度，乙個filter只提取乙個特徵，在整個（或者語音／文字） 中進行卷積
3、池化操作與多層次結構一起，實現了資料的降維，將低層次的區域性特徵組合成為較高層次的特徵，從而對整個進行表示。
3、cnn的特點以及優勢
cnn使用範圍是具有區域性空間相關性的資料，比如影象，自然語言，語音
區域性連線：可以提取區域性特徵。
權值共享：減少引數數量，因此降低訓練難度（空間、時間消耗都少了）。可以完全共享，也可以區域性共享（比如對人臉，眼睛鼻子嘴由於位置和樣式相對固定，可以用和臉部不一樣的卷積核）
降維：通過池化或卷積stride實現。
多層次結構：將低層次的區域性特徵組合成為較高層次的特徵。不同層級的特徵可以對應不同任務
4、cnn權值共享問題
首先權值共享就是濾波器共享，濾波器的引數是固定的，即是用相同的濾波器去掃一遍影象，提取一次特徵，得到feature map。在卷積網路中，學好了乙個濾波器，就相當於掌握了一種特徵，這個濾波器在影象中滑動，進行特徵提取，然後所有進行這樣操作的區域都會被採集到這種特徵，就好比上面的水平線。
5、什麼是感受野
後一層神經元在前一層神經元的感受空間；
注意：小卷積核（如33）通過多層疊加可取得與大卷積核（如77）同等規模的感受野，此外採用小卷積核有兩個優勢：
1、小卷積核需多層疊加，加深了網路深度進而增強了網路容量(model capacity)和複雜度（model complexity）
2、增強了網路容量的同時減少了引數個數。
6、簡單說說cnn常用的幾個模型
7、cnn是什麼，cnn關鍵的層有哪些？
cnn是卷積神經網路，其關鍵層有：
① 輸入層，對資料去均值，做data augmentation等工作
② 卷積層，區域性關聯抽取feature
③ 啟用層，非線性變化
④ 池化層，下取樣
⑤ 全連線層，增加模型非線性
⑥ 高速通道，快速連線
⑦ bn層，緩解梯度瀰散2、什麼是cnn的池化pool層？
池化，簡言之，即取區域平均或最大
8、pooling層作用
增加特徵平移不變性。匯合可以提高網路對微小位移的容忍能力。
減小特徵圖大小。匯合層對空間區域性區域進行下取樣，使下一層需要的參數量和計算量減少，並降低過擬合風險。
最大匯合可以帶來非線性。這是目前最大匯合更常用的原因之一。
9、卷積層和池化層有什麼區別
1、卷積層有引數，池化層沒有引數
2、經過卷積層節點矩陣深度會改變，池化層不會改變節點矩陣的深度，但是它可以縮小節點矩陣的大小。
10、卷積層引數數量計算方法
假設輸入層矩陣維度是3，第一層卷積層使用尺寸為 5 ∗ 5 55 5∗5、深度為16的過濾器（卷積核尺寸為 5 ∗ 5 55 5∗5、卷積核數量為16），那麼這層卷積層的引數個數為 5 ∗ 5 ∗ 3 ∗ 16 + 16 = 1216 個 553*16+16=1216個 5∗5∗3∗16+16=1216個
11、卷積層輸出大小計算
卷積中的特徵圖大小計算方式有兩種，分別是『valid』和『same』，卷積和池化都適用，除不盡的結果都向下取整。公式： o = ( w − f + 2 p ) / s + 1 o = (w-f+2p)/s+1 o=(w−f+2p)/s+1，輸入（input）大小為 i = w ∗ w i=ww i=w∗w，卷積核（filter）大小為 f ∗ f ff f∗f，步長（stride）為s，填充（padding）的畫素數為p。
1、same填充方式：填充畫素。conv2d函式常用。
2、valid填充方式：不填充畫素，maxpooling2d函式常用。"same"卷積方式，對於輸入5x5影象，影象的每乙個點都作為卷積核的中心。最後得到5x5的結果，通俗的來說：首先在原圖外層補一圈0，將原圖的第一點作為卷積核中心，若一圈0不夠，繼續補一圈0。如下圖所示：
深度學習筆試 面試題 三
1 宣告1 可以通過將所有權重初始化為0 來訓練網路。宣告2 可以通過將偏差初始化為0來很好地訓練網路 以上哪些陳述是真實的？a 1對2錯 b 1錯2對 c 1和2都對 d 1和2都錯 正確答案是 b 解析 即使所有的偏差都為零，神經網路也有可能學習。另一方面，如果所有的權重都是零 神經網路可能永遠...
深度學習面試題目 1
1 二者都是整合學習演算法，都是將多個弱學習器組合成強學習器的方法。2 bagging 套袋法 從原始資料集中每一輪有放回地抽取訓練集，訓練得到k個弱學習器.對於分類 將這k個弱學習器以投票的方式得到最終的分類結果。對回歸問題 計算上述模型的均值作為最後的結果。所有模型的重要性相同 3 boosti...
常見深度學習面試題總結
目錄 最常見的幾個問題 分類 機器學習 特徵工程 深度學習 計算機視覺cv 自然語言處理nlp 推薦系統 深度之眼學習筆記 1.線性回歸與邏輯回歸區別，lr與svm區別和聯絡 2.svm原理 3.手撕svm，k means源 1.寫出全概率公式 貝葉斯公式 2.模型訓練為什麼要引入偏差 bias 和...