zhangxl123liang的博客

1.深层网络的层次达到一定深度后会产生什么问题？Resnet是如何解决这个问题的？ 答：网络层数加深后，网络优化难度加大，性能变差，出现网络模型退化问题。 解决方案：通过浅层次网络模型获得特征直接复制到更深的网络。通过shot cut路径，直接把输入传到输出端，强行作为单位映射部分作为学习中的另一部分。 2.Faster RCNN在RCNN，Fast RCNN的基础上进行了哪些改进？ 答： RCNN： （1）输入图像。 （2）利用selective search对图像生成1K~2K的候选区域（

1. 相比Lenet-5, Alexnet进行了哪些改进？这些改进起到了什么作用？ 答：（1）ReLU代替Sigmoid，深度网络梯度离散； （2）Dropout随机激活，避免过拟合； （3）两个CPU并行计算，提高计算效率。 2. VGG中为什么采用更小的卷积核？ 答：VGG网络参数数量很多，在深层次中用小卷积核捕捉细节的变化，同时降低了计算量。 3. 画出Inception模块的结构图，Googlenet中采用多个Inception模块带来了哪些效果？原因是什么？ 答： 效果：减少.

1.卷积层中的共享参数指的是什么？ 答：如果一组权重（卷积核）在图像中某个区域提取有效的表示,，也能在图像另外区域中提取有效的表示称为共享参数。 2.池化层的作用是什么？ 答：池化层根据神经元空间上局部统计信息进行采样,在保留有用信息同时减少神经元空间大小, 使参数量减少并降低过拟合可能。pool操作在各深度分量上独立进行, 常用的是最大池化(max-pooling)。 3.为什么ReLU常用于神经网络的激活函数？ 答：ReLU是修正线性单元（The Rectified Linear Unit），

画图说明特征向量的几何意义是什么？ 答： 如上图a，实线代表坐标轴，虚线代表两个顶点到坐标原点的距离，两顶点坐标分别为（1，-2）和（1,4），构成矩阵，该矩阵的特征向量分别为和 ，分别对应图b中的两个实线段的顶点，其对应的特征值分别为2和3，特征向量的几何意义是变换后将对应特征向量方向上的向量进行缩放，缩放的倍数就是特征值。 2.非线性变换解决了神经网络中线性可分性的什么问题？ 答：非线性变换使线性不可分样本变得线性可分。 3.简述通过主成分分析实现降维的流程。 答：PCA降维...

1.人工神经元如何模拟生物神经元中的轴突，突轴和树突的？ 答：输出层代表轴突，权重代表突轴，输入层代表树突。 2.传统神经网络采用什么训练方法，存在哪些问题？ 答：传统神经网络中，采用的是反向传播（BP）的方式进行。即采用迭代的算法来训练整个网络，随机设定初值，计算当前网络的输出，然后根据当前计算的输出值和实际的标记值之间的差去改变前面各层的参数，直到收敛（整体是一个梯度下降法）。 BP算法存在的问题： 1》梯度越来越稀疏：从顶层越往下，误差校正信号越来越小； 2》收敛到局部最小值：尤其是从远离

1.好的特征具有什么样的性质？机器学习提取特征时存在哪些局限性？ 答：（1）好的特征具有不变性和可区分性。不变性指的是对大小、尺度和旋转的不变性。比如SIFT特征，HOG特征，这个可区分性就是特征与特征之间要有一定距离尺度。 （2）机器学习在特征提取需要人工提取的方法，人工提取需要耗费大量时间，需要一定的专业知识和依赖经验，对系统准确性、精度和速度有一定的限制。 2.深度学习借鉴了人脑视觉机理的哪些特点？ 答：模仿了人的视觉机理，能够分层、抽象迭代。从底层抽取边缘层特点，从中间抽取对象特点。 3.