深度学习相关知识点简记 （有点乱），2024年最新vue前端面试题2024

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）

4. ResNet:152层 plain网络随着网络加深，错误率升高

深层网络到了一定深度，准确率趋近饱和，而且继续加深的话会降低准确率，这称为退化问题，为了解决退化问题，提出了残差学习，如下图所示为残差块，假设本来是要学习H(x)，加了一条恒等映射之后我们要学习的就是F(x) = H(x) - x

5. DenseNet:核心思想是建立不同层之间的连接，充分利用功能，进一步减少梯度消失的问题，加深网络不是问题，训练效果非常好。DenseNet包含两部分，dense block和transition layers

dense block中的每一层之间直接连接，不同层之间的直接连接增加了每层输入的多样性和提高了效率

每两个相邻的dense block之间的卷积+池化层被称为transition layers，其作用是通过下采样来改变特征图的大小。

当参数量相同的情况下，DenseNet比ResNet拥有更小的错误率；当验证错误率相同的时候，DenseNet比ResNet拥有更少的参数。

对于 DenseNet 抗过拟合的原因有一个比较直观的解释：神经网络每一层提取的特征都相当于对输入数据的一个非线性变换，而随着深度的增加，变换的复杂度也逐渐增加（更多非线性函数的复合）。相比于一般神经网络的分类器直接依赖于网络最后一层（复杂度最高）的特征，DenseNet 利用特征复用(feature reuse)综合利用浅层复杂度低的特征，因而更容易得到一个光滑的具有更好泛化性能的决策函数。

6. CNN应用：

语义分割：1.滑动窗口：将每一个小窗口通过cnn分类，缺点是计算量非常大2.全卷积网络：利用全是卷积层的网络来训练，通过填充保持图片的大小不变，最后分类得到语义分割后的图像，C为类别数量，在深通道（如64，128，256）逐层做卷积操作，非常消耗内存和计算量3.先下采样再上采样：对一小部分卷积层做原清晰度处理，经过一系列下采样，卷积，不使用全连接 上采样（去池化）：最邻近去池化：将值赋给附近领域。钉床(Bed of Nails)去池化:将值赋给左上角元素，其余填充零

最大去池化(Max Unpooling)：与Maxpooling相对应，将原值赋给对应位置元素，其余填充零，在网络的后半部分用去池化将相应元素放在池化前的相应位置，保存空间的上的结构，（池化后在低清晰度保留的元素与填充后的小块组成高清晰度的图像，这样可以保证最大池化的元素依然是在相应的位置）优点：分割的意义就在于找到不同类别的边界，最大池化后在低清晰度会丢失空间信息，去池化后会还原空间信息，帮助预测

7. 目标检测RCNN：

R-CNN是用来识别一个图片中的若干张物体的方法，采用提取框，对每个框提取特征、图像分类、 非极大值抑制四个步骤进行目标检测

RCNN 算法原理：Selective Search 生成候选框，候选框区域缩放到统一大小，使用 CNN 对每个候选框提取特征，提取出特征后使用 SVM 进行分类，通过非极大值抑制输出结果

R-CNN 训练步骤：在数据集上训练CNN。R-CNN 论文中使用的 CNN 网络是AlexNet，数据集为ImageNet 。在目标检测的数据集上，对训练好的 CNN 做微调 。用 Selective Search 搜索候选区域，统一使用微调后的 CNN 对这些区域提取特征，并将提取到的特征存储起来。使用存储起来的特征，训练SVM 分类器。

三、生成对抗网络（GAN）及具体实例

---

自我介绍一下，小编13年上海交大毕业，曾经在小公司待过，也去过华为、OPPO等大厂，18年进入阿里一直到现在。

深知大多数前端工程师，想要提升技能，往往是自己摸索成长或者是报班学习，但对于培训机构动则几千的学费，着实压力不小。自己不成体系的自学效果低效又漫长，而且极易碰到天花板技术停滞不前！

因此收集整理了一份《2024年Web前端开发全套学习资料》，初衷也很简单，就是希望能够帮助到想自学提升又不知道该从何学起的朋友，同时减轻大家的负担。

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，基本涵盖了95%以上前端开发知识点，真正体系化！

由于文件比较大，这里只是将部分目录大纲截图出来，每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频，并且后续会持续更新

如果你觉得这些内容对你有帮助，可以添加V获取：vip1024c （备注前端）

react和vue的比较

相同
1）vitual dom
2）组件化
3）props，单一数据流

不同点
1）react是jsx和模板；（jsx可以进行更多的js逻辑和操作）
2）状态管理（react）
3）对象属性（vue）
4）vue：view——medol之间双向绑定
5）vue：组件之间的通信（props，callback，emit）

一个人可以走的很快，但一群人才能走的更远。不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎扫码加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！

，但一群人才能走的更远。不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎扫码加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！**
[外链图片转存中…(img-KRMXAWDn-1712783844998)]