题库深度学习面试题型介绍及解析--第1期

https://www.360docs.net/doc/1b744675.html,N 中术语解释

CNN 网络的主要参数有下面这么几个：

?卷积核 Kernal（在 Tensorflow 中称为 filter）；

?填充 Padding；

?滑动步长 Strides；

?池化核 Kernal（在 Tensorflow 中称为 filter）；

?通道数 Channels。

2.卷积输出大小计算

1.图片经卷积后输入大小计算公示如下：N = (W ? F + 2P )/S+1

?输入图片大小W×W

?Filter 大小F×F

?步长 S

?padding 的像素数 P

输出通道数 = 卷积核 / 池化核数量

2. 反卷积得到的图片大小计算方式：反卷积的大小是由卷积核大小与滑动步长决定， in 是输入大小， k 是卷积核大小， s 是滑动步长， out 是输出大小。得到 out = (in - 1) * s + k 例如输入：2x2，卷积核：4x4，滑动步长：3，输出：7x7 ，其计算过程就是， (2 - 1) * 3 + 4 = 7

3. 池化得到的特征图大小计算方式：W=(W-F)/S+1，池化层一般不填充像素 (VALID)

卷积向下取整，池化向上取整。卷积层一般填充像素 (SAME)，池化层一般不填充像素(VALID)？注意：stride 为 1 的时候，当 kernel 为 3 padding 为 1 或者 kernel 为 5 padding 为 2，这种情况可直接得出卷积前后尺寸不变。

3.优化算法理解

Adam、AdaGrad、RMSProp 优化算法具有自适应性

4.深度特征的层次性

卷积操作可获取图像区域不同类型特征，而汇合等操作可对这些特征进行融合和抽象，随着若干卷积、汇合等操作的堆叠，各层得到的深度特征逐渐从泛化特征（如边缘、纹理等）过渡到高层语义表示（躯干、头部等模式）。

5.什么样的数据集不适合深度学习

?数据集太小，数据样本不足时，深度学习相对其它机器学习算法，没有明显优势。

数据集没有局部相关特性，目前深度学习表现比较好的领域主要是图像／语音／自然语言处理等领域，这些领域的一个共性是局部相关性。图像中像素组成物体，语音信号中音位组合成单词，文本数据中单词组合成句子，这些特征元素的组合一旦被打乱，表示的含义同时也被改变。对于没有这样的局部相关性的数据集，不适于使用深度学习算法进行处理。举个例子：预测一个人的健康状况，相关的参数会有年龄、职业、收入、家庭状况等各种元素，将这些元素打乱，并不会影响相关的结果。