本文详细解答了深度学习面试中常见的83至100题，涵盖神经网络的基本概念如Epoch、Iteration、Batchsize，反向传播原理，卷积核操作，池化方法，参数范数惩罚，Batch Normalization的作用，梯度下降法的优缺点，VGG和ResNet网络结构，空洞/扩张卷积，转置卷积，MobileNet系列的区别，归一化的重要性，深度学习框架对比，推荐算法类型，回环检测的概念，以及哪些机器学习算法不需要做归一化处理，还包括RNN、LSTM、GRU的区别。这些内容对于理解深度学习核心概念和面试准备非常有帮助。
目录
83.神经网络中的Epoch、Iteration、Batchsize
92.空洞/扩张卷积（Dilated/Atrous Convolution）
93.转置卷积（Transposed Convolutions/deconvlution）
94.MobileNetV1、MobileNetV2和MobileNetV3有什么区别
95.如何理解归一化（Normalization）对于神经网络（深度学习）的帮助？
83.神经网络中的Epoch、Iteration、Batchsize
神经网络中epoch与iteration是不相等的
- batchsize：中文翻译为批大小（批尺寸）。在深度学习中，一般采用SGD训练，即每次训练在训练集中取batchsize个样本训练；
- iteration：中文翻译为迭代，1个iteration等于使用batchsize个样本训练一次；一个迭代 = 一个正向通过+一个反向通过
- epoch：迭代次数，1个epoch等于使用训练集中的全部样本训练一次；一个epoch = 所有训练样本的一个正向传递和一个反向传递
举个例子，训练集有1000个样本，batchsize=10，那么：训练完整个样本集需要：100
订阅专栏 解锁全文
扫一扫
1923
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
