深度学习面试问题

原创已于 2023-02-09 18:29:21 修改 · 180 阅读

1 ·

CC 4.0 BY-SA版权

文章标签：

#深度学习 #python #人工智能

于 2021-06-16 18:42:04 首次发布

deeplearning 同时被 2 个专栏收录

77 篇文章

订阅专栏

updating

40 篇文章

订阅专栏

本文涵盖了深度学习中关键的几个概念：激活函数的作用及其类型，如ReLU；损失函数的类型与选择，如交叉熵；防止过拟合的策略，包括增加数据量、数据增强、Dropout、正则化等；BN（Batch Normalization）与LN（Layer Normalization）的区别；训练样本预处理的方法；模型剪枝和量化的实现；ROC曲线和AUC的计算及意义；ResNet和ShuffleNet的设计理念及其目标；YOLO与RCNN的目标检测区别；以及提高模型精度的常用技术。

部署运行你感兴趣的模型镜像

                    
                        
                    
                    1.为什么使用激活函数，激活函数有哪些
https://zhuanlan.zhihu.com/p/85971385

2.损失函数
https://zhuanlan.zhihu.com/p/58883095

3.怎么防止过拟合
增大数据集，数据增强
dropout，正则化，BN
early stopping

4.BN和LN的区别
https://cloud.tencent.com/developer/article/1517151

5.拿到训练样本如何预处理
https://www.cnblogs.com/pinard/p/9093890.html

6.如何实现模型的剪枝和量化
7.ROC和AUC的概念和计算
https://blog.youkuaiyun.com/random_repick/article/details/128957845?spm=1001.2014.3001.5501

8.resnet的主要思想和解决的问题
9.shufflenet的主要思想，用于提升精度还是速度
10.YOLO和RCNN的主要区别
11.YOLO模型输出大小和每个输出位置的含义
12.采用了哪些方法提高模型的精度



                