2024年最新深度学习相关知识点简记 （有点乱）(1)，2024年最新web前端应届生面试题

Vue

• 什么是MVVM？

• mvvm和mvc区别？它和其它框架（jquery）的区别是什么？哪些场景适合？

• 组件之间的传值？

• Vue 双向绑定原理

• 描述下 vue 从初始化页面–修改数据–刷新页面 UI 的过程？

• 虚拟 DOM 实现原理

• Vue 中 key 值的作用？

• Vue 的生命周期

• Vue 组件间通信有哪些方式?

• vue 中怎么重置 data?

• 组件中写 name 选项有什么作用？

• Vue 的 nextTick 的原理是什么？

• Vuex 有哪几种属性?

  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】

  

  

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）

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

Vue

• 什么是MVVM？

• mvvm和mvc区别？它和其它框架（jquery）的区别是什么？哪些场景适合？

• 组件之间的传值？

• Vue 双向绑定原理

• 描述下 vue 从初始化页面–修改数据–刷新页面 UI 的过程？

• 虚拟 DOM 实现原理

• Vue 中 key 值的作用？

• Vue 的生命周期

• Vue 组件间通信有哪些方式?

• vue 中怎么重置 data?

• 组件中写 name 选项有什么作用？

• Vue 的 nextTick 的原理是什么？

• Vuex 有哪几种属性?

  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】