这篇博客介绍了人工智能领域的深度学习面试中常见的问题，涉及神经网络的基础、结构和非线性特性，以及CNN、RNN的结构、功能和区别。内容涵盖卷积神经网络（CNN）的层级结构、优缺点，R-CNN和Fast R-CNN的概念，以及RNN的工作原理。此外，还讨论了深度学习框架如TensorFlow和Keras的比较，以及端到端学习的优势和挑战。
目录
181.什么是神经网络？
我们以房价预测的案例来说明一下，把房屋的面积作为神经网络的输入（我们称之为𝑥），通过一个节点（一个小圆圈），最终输出了价格（我们用𝑦表示）。其实这个小圆圈就是一个单独的神经元，就像人的大脑神经元一样。如果这是一个单神经元网络，不管规模大小，**它正是通过把这些单个神经元叠加在一起来形成。如果你把这些神经元想象成单独的乐高积木，你就通过搭积木来完成一个更大的神经网络。**
神经网络与大脑关联不大。这是一个过度简化的对比，把一个神经网络的逻辑单元和右边的生物神经元对比。至今为止其实连神经科学家们都很难解释，究竟一个神经元能做什么。
182.神经网络的结构
神经网络的一般结构是由**输入层、隐藏层(神经元)、输出层**构成的。隐藏层可以是1层或者多层叠加，层与层之间是相互连接的，其结构如下图所示
订阅专栏 解锁全文
扫一扫
1253
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
