2024年Web前端最新深度学习相关知识点简记（有点乱）(2)，2024大厂前端面试手册-CSDN博客

本文链接：https://blog.csdn.net/2301_82243626/article/details/138740867

前端面试题汇总

JavaScript

开源分享：【大厂前端面试题解析+核心总结学习笔记+真实项目实战+最新讲解视频】

性能

linux

前端资料汇总

一、优化算法及其特点：

1. BGD批量梯度下降：优点：梯度预测是稳定的

缺点：需要一次更新所有样本，计算速度非常慢

不适用于大数据集，不能在线更新模型

2. SGD随机梯度下降：优点：一次只选一部分样本，运算快，效果好

缺点：易受噪声点影响，参数更新的方差大，迭代并不是每次都向着最优解方向进行，可能无法达到全局最优解，且学习曲线震荡。容易被困在鞍点

适用于需要在线更新的模型，适用于大规模训练样本情况

3. SGD+Momentum

在随机梯度中引入了动量 Momentum，SGD方法的一个缺点是其更新方向完全依赖于当前batch计算出的梯度，因而十分不稳定。SGDM就是不仅仅考虑负梯度方向，还考虑此时动量的方向（上一步的前进方向的惯性方向），然后将两个方向进行合并，即下一步更新参数的方向。特点：用滑动平均来更新，而不是当前梯度，可有效减少震荡，更平缓加快收敛速度。

适用于有可靠的初始化参数

4. Nestorov动量：NAG 会先在前一步的累积梯度上有一个大的跳跃，然后衡量一下梯度做一下修正，这种预期的更新可以避免我们走的太快。 (选沿当前方向走一步，再计算终点梯度方向，进而得到最终方向。)

5. AdaGrad:特点：采用自适应调节，减少了学习率的手动调节。对于经常更新的参数，我们已经积累了大量关于它的知识，不希望被单个样本影响太大，希望学习速率慢一些；对于偶尔更新的参数，我们了解的信息太少，希望能从每个偶然出现的样本身上多学一些，即学习速率大一些。缺点是学习率单调递减至0，可能会使得训练过程提前结束，即便后续还有数据也无法学到必要的知识。需要快速收敛，训练复杂网络时；适合处理稀疏梯度

6. RMSProp：给历史数据和新数据都设一个权重，缓解退化问题。使用的是指数加权平均，旨在消除梯度下降中的摆动，与动量的效果一样，某一维度的导数比较大，则指数加权平均就大，某一维度的导数比较小，则其指数加权平均就小，这样就保证了各维度导数都在一个量级，进而减少了摆动。允许使用一个更大的学习率η

需要快速收敛，训练复杂网络时；适合处理非平稳目标 - 对于RNN效果很好

7. Adam：是RMSProp和Momentum的结合，对梯度和学习率都用了滑动平均，还有一个纠偏，优点主要在于经过偏差校正后，每一次迭代学习率都有个确定范围，使得参数比较平稳。需要快速收敛，训练复杂网络时；善于处理稀疏梯度和处理非平稳目标的优点，也适用于大多非凸优化 - 适用于大数据集和高维空间

二、CNN经典结构

1. AlexNet:采用ReLU作为非线性的激活函数、利用多个（2个）GPU同时训练、使用数据增强来提高模型的准确率防止过拟合、利用Dropout算法防止过拟合、LRN归一化层的使用

结构：CONV1 ->MAX POOL1 ->NORM1 ->CONV2 ->MAX POOL2 ->NORM2 ->CONV3 ->CONV4 ->CONV5->Max POOL3 ->FC6->FC7 ->FC8

2. VGG:16~19层卷积核更小，层数更深

每组卷积都使用３ｘ３的卷积核原因：一方面可以减少参数，另一方面相当于进行了更多的非线性映射，可以增加网络的拟合/表达能力

params计算params=（本层卷积核长*宽*上层卷积核厚）*本层卷积核厚池化层没有params

3. GoogLeNet:22层去除了全连接层（占据了网络的大部分参数），使用了全局均值池化，大大减小了参数量

1*1卷积层的作用：用于减少维度，还用于修正线性激活（relu）

（1）采用了模块化的结构（inception结构），方便增添和修改

（2）网络最后采用了average pooling来替代全连接，可将准确率提升百分之0.6

（3）虽然移除了全连接，但依然使用了Dropout

（4）为了避免梯度消失，网络额外增加了2个辅助的softmax用于向前传导梯度（辅助分类器）