面经2

 

1、CNN的核心是什么？

        局部感知，权值共享，池化和层次化

2、卷积操作是怎样进行的？

        对于图像的不同局部的矩阵和卷积矩阵的各个位置的元素相乘，然后相加求和。

 

3、卷积反向传播过程？

为梯度；

 

4、Tensorflow中卷积操作是怎样实现的？

        （w，h，in，ou）四维张量。

5、池化又是怎样操作的，反向传播过程中池化层怎么接受后面传过来的损失的

        接收上一层的梯度，并且按照之前下采样的方式，用上采样将梯度矩阵还原成原来大小的。

6、GDBT介绍一下

       梯度提升树模型。是属于boosting模型范畴，主要思想是，利用损失函数的负梯度作为残差的近似值，新的树通过不断地拟合残差得到。（与提升树的区别是，残差的计算不同，提升树使用的是真正的残差，梯度提升树用当前模型的负梯度来拟合残差）

7、逻辑回归中sigmoid函数的好处？以及为什么用极大似然？

      当z趋于正无穷时，趋于1，当z趋于负无穷时，趋于0。求导很容易得到。

      回顾一下线性回归的损失函数，由于线性回归是连续的，所以可以使用模型误差的平方和来定义损失函数，但是逻辑回归不是连续的，自然线性回归损失函数定义的经验就用不上了。不过我们可以用最大似然法来推导我们的损失函数。