weixin_43697478的博客

1，卷积核确定需要考虑的问题？卷积核的尺寸，一般行数和列数相等，而且为了考虑填充padding，在周边补0，所以一般设置为奇数。卷积步长，一般设置为1，也可以设置为其他值。卷积核的值可以自定义，常见有sobel边缘算子矩阵和也可以初始化随机矩阵等。这个了解的不多。2，卷积神经网络的核心思想？就是通过自动学习的手段来得到各种 有用的卷积核值。卷积核代表了颜色特征，纹理特征，边缘等特征信息。所以一般设计为多层卷积，就是为了每层的卷积核负责提取不同的特征信息。3，池化层原理？特征图像的维数很高，维数高的

深度学习的基本思路？用人工神经网络自动学习有用的特征，去掉对人工特征的依赖，采用深度的神经网络建立复杂的 模型。至于为什么选择人工神经网络，而不用svm等算法，目前理解为那些网络不可变化更新是线性确定的。...

1，损失函数怎么选择？一般情况下，分类问题需要采用交叉熵作为损失函数。而回归问题一般采用欧氏距离作为损失函数。交叉熵损失函数：2,神经网络怎么进行权重初始化？一般采用随机数进行初始化，均匀分布，正态分布。暂时没有证据证明那种初始化方法更好，选择是一般选择最常用的就可以了。3，为什么需要学习率？一般怎么用？为了保证X的k+1点在Xk的の领域内，如此在泰勒展开时我们就可以忽略高阶无穷小项了。一般设置为接近于0（0.0001）的正数作为学习率。在常用框架tensorflow，caffa等中 ，还有自适应

1，为什么需要激活函数？人工神经网络 要拟合和模拟的目标函数 很多是 非线性的 但神经网络多层复合函数 永远是线性的映射 达不到非线性的要求 所以需要非线性的激活函数激活一下 即 激活函数唯一的作用 就是保持非线性2，求欧氏距离 损失函数为什么乘1/2？只是为了求解简单 并且乘2/1后 并不影响整体求损失函数最小化的原则。...