【caffe】面试相关问题

AlexNet的网络结构：

Blobs：用于层之间的数据流动

caffe能使用几种数据源：

来自数据库：LevelDB和LMDB，来自磁盘：HDF5，来自内存，来自图片

1. 数据来源于数据库（LevelDB和LMDB）层类型（layer type）：Data

必须配置的参数：

source：包含数据库的目录名称（examples/imagenet/project/train_lmdb）

batch_size:每次处理数据的个数（受内存限制）

可选参数：

rand_skip：  rand_skip: 在开始的时候，路过某个数据的输入。通常对异步的SGD很有用。

backend: 选择是采用LevelDB还是LMDB, 默认是LevelDB.

2.数据来源于内存

层类型：MemortyData

必须设置的参数：

batch_size：每一次处理的数据个数，比如2

 channels：通道数

 height：高度

 width: 宽度

3. 数据来源于HDF5

层类型：HDF5Data

必须设置的参数：

source: 读取的文件名称

batch_size: 每一次处理的数据个数

4. 数据来源于图片

层类型：ImageData

必须设置的参数：

source: 一个文本文件的名字，每一行给定一个图片文件的名称和标签（label)

batch_size: 每一次处理的数据个数，即图片数

可选参数：

rand_skip: 在开始的时候，路过某个数据的输入。通常对异步的SGD很有用。

shuffle: 随机打乱顺序，默认值为false

new_height,new_width: 如果设置，则将图片进行resize

5、数据来源于Windows

层类型：WindowData

必须设置的参数：

source: 一个文本文件的名字

batch_size: 每一次处理的数据个数，即图片数

过拟合的解决：

1. 增大训练量（增大数据，将图片旋转）

2.降低网络规模（但是大规模的神经网络有更强的潜力）

3.规范化：

DropOut：修改神经网络本身的结构。训练开始时，随机删除隐藏层神经元，即认为这些神经元不存在，同时保持输入层与输出层神经元的个数不变。然后按照BP学习算法对ANN中的参数进行学习更新。这样一次迭代更新便完成了。下一次迭代中，同样随机删除一些神经元，与上次不一样，做随机选择。这样一直进行瑕疵，直至训练结束。