深度学习面试100题（1-10）

1. 梯度下降算法的正确步骤是什么
   a. 用随机值初始化权重和偏差
   b. 把输入传入网络，得到输出值
   c. 计算预测值和真实值之间的误差
   d. 对每一个产生误差的神经元，调整相应的权重值以减少误差
   e. 重复迭代，直至得到网络权重的最佳值

2. 已知：

• 大脑是有很多个叫做神经元的东西构成，神经网络是对大脑的简单的数学表达。
• 每一个神经元都有输入、处理函数和输出。
• 神经元组合起来形成了网络，可以拟合任何函数。
• 为了得到最佳的神经网络，我们用梯度下降方法不断更新模型

给定上述关于神经网络的描述，什么情况下神经网络模型被称为深度学习模型？

A. 加入更多层，使神经网络的深度增加

B. 有维度更高的数据

C. 当这是一个图形识别的问题时

D. 以上都不正确

解析：正确答案A，更多层意味着网络更深。没有严格的定义多少层的模型才叫深度模型，目前如果有超过2层的隐层，那么也可以及叫做深度模型。

1. 训练CNN时，可以对输入进行旋转、平移、缩放等预处理提高模型泛化能力。这么说是对，还是不对？

   A.对 B.不对

   解析：对。训练CNN时，可以进行这些操作。当然也不一定是必须的，只是data augmentation扩充数据后，模型有更多数据训练，泛化能力可能会变强。
   

2. 下面哪项操作能实现跟神经网络中Dropout的类似效果?

   A.Boost