【深度学习】一些面试问题小结

一些面试问题小结

一个神经网络有哪些层：卷积层——池化层——FC(单神经网络层)等

卷积层意义：提取图像的特征（像过滤器一样）

使用0扩充边界：没有缩小高度和宽度；帮助图像在边界保留更多的信息

池化层：缩减模型的大小，提高计算速度，同时提高所提取特征的鲁棒性

Max Pooling：取最大值

Average Pooling：取平均值 

超参数：隐藏层的大小；学习率；迭代次数；神经网络中的层数 

典型网络模型：

ResNet残差网络：有残差块，跳远连接，指a[L]跳过一层或好多层，使用残差块能够训练更深的神经网络，有助于解决梯度消失和梯度爆炸的问题。

Inception网络：应用各种类型的过滤器，只需要把输出连接起来。

VGG-16：包含了16个卷积层和全连接层

1*1卷积：压缩nc的方法，它给网络添加了一个非线性函数，从而减少或保持输入层的信道数量不变