AI面试问答积累

1. 梯度下降算法的步骤
1初始化权重和偏差
2输入送到网络，得到输出值
3计算输出值和真实值之间的误差
4对每一层调整相应的权重以减少偏差
5重复迭代，直到真实值和输出值之间误差最小

2、下面哪项操作能实现跟神经网络中Dropout的类似效果？
先介绍什么是bagging和boosting
bagging是从原始样本集中抽取训练集。每轮从原始样本集中使用有放回抽样[booststrap]的方法抽取n个训练样本（在训练集中，有些样本可能被多次抽取到，而有些样本可能一次都没有被抽中）。共进行k轮抽取，得到k个训练集。（k个训练集之间是相互独立的，有一些交集也是相互独立的）
boosting的主要思想是将弱分类器组装成一个强分类器。在PAC（概率近似正确）学习框架下，则一定可以将弱分类器组装成一个强分类器。
每次使用一个训练集得到一个模型，k个训练集共得到k个模型。

而Dropout可以认为是一种极端的Bagging，每一个模型都在单独的数据上训练，同时，通过和其他模型对应参数的共享，从而实现模型参数的高度正则化。**

3. 什么是卷积？
图像不同的数据窗口和一个固定滤波矩阵做内积（逐个元素相乘再求和）的操作就是所谓的『卷积』操作，也是卷积神经网络的名字来源。

4.什么是CNN的池化pool层？