面试问题

(1)指针常量和常量指针的区别：

指针常量的本质是一个常量，用指针修饰它，说明这个常量的值应该是一个指针，指针常量的值是指针，这个值因为是常量，所以不能被赋值。

常量指针本质是指针，常量修饰它，表示这个指针乃是一个指向常量的指针（变量）。指针指向的对象是常量，那么这个对象不能通过指针进行修改。

详情可以看：https://blog.youkuaiyun.com/u012424416/article/details/51351690

(2)面向对象和面向过程

面向过程就是分析出解决问题所需要的步骤，然后用函数把这些步骤一步一步实现，使用的时候一个一个依次调用就可以了；面向对象是把构成问题事务分解成各个对象，建立对象的目的不是为了完成一个步骤，而是为了描叙某个事物在整个解决问题的步骤中的行为。

详情查看：https://blog.youkuaiyun.com/jerry11112/article/details/79027834

(3)神经网络中的BN层

我去，BN层就是Batch Normalization。BN本质上解决的是反向传播过程中的梯度问题。它的作用：（1）加速收敛（2）控制过拟合，可以少用或不用Dropout和正则（3）降低网络对初始化权重不敏感（4）允许使用较大的学习率

详情查看：https://blog.youkuaiyun.com/fate_fjh/article/details/53375881

(4)SVM中对支持向量的理解

决定决策边界的数据叫做支持向量，它决定了margin到底是多少，而max margin更远的点，其实有没有无所谓。 

详情查看：https://blog.youkuaiyun.com/chaipp0607/article/details/73716226

(5)keras中的两种经典模型

Keras有两种类型的模型，序贯模型（Sequential）和函数式模型（Model），函数式模型应用更为广泛，序贯模型是函数式模型的一种特殊情况。

Sequential models：这种方法用于实现一些简单的模型。你只需要向一些存在的模型中添加层就行了。

Functional API：Keras的API是非常强大的，你可以利用这些API来构造更加复杂的模型，比如多输出模型，有向无环图等等。

详情查看：https://blog.youkuaiyun.com/jiandanjinxin/article/details/77175319

(6)tensorflow中的@问题

python装饰器

详情查看：https://www.cnblogs.com/lianyingteng/p/7743876.html

(7)TensorFlow优化之滑动平均模型

滑动平均模型，它可以使得模型在测试数据上更健壮，在使用随机梯度下降算法训练神经网络时，通过滑动平均模型可以在很多的应用中在一定程度上提高最终模型在测试数据上的表现。其实滑动平均模型，主要是通过控制衰减率来控制参数更新前后之间的差距，从而达到减缓参数的变化值（如，参数更新前是5，更新后的值是4，通过滑动平均模型之后，参数的值会在4到5之间），如果参数更新前后的值保持不变，通过滑动平均模型之后，参数的值仍然保持不变。

详情查看：https://blog.youkuaiyun.com/sinat_29957455/article/details/78409049

(8)dropout用在哪些层？

正则化（Regularization）和Dropout，都是用了减小过拟合

详情查看：https://blog.youkuaiyun.com/bixiwen_liu/article/details/52999562