cv面试百问学习day1

参考转载自https://zhuanlan.zhihu.com/p/458674733
1、基本评价指标
1.1 为什么要用AUC去衡量机器学习模型的好坏
答：一个分类模型的分类结果的好坏取决于以下两个部分：排序能力和阈值的选择

1. 分类模型的排序能力(能否把概率高的排前面，概率低的排后面)
2. threshold的选择。使用AUC来衡量分类模型的好坏，可以忽略由于threshold的选择所带来的影响，因为实际应用中，这个threshold常常由先验概率或是人为决定的。
   【注解】
   AUC（Area Under Curve）被定义为ROC曲线下与坐标轴围成的面积，显然这个面积的数值不会大于1。又由于ROC曲线一般都处于y=x这条直线的上方，所以AUC的取值范围在0.5和1之间。AUC越接近1.0，检测方法真实性越高;等于0.5时，则真实性最低，无应用价值。
   threshold，阈值。

1.2 AUC含义以及如何计算？ROC
AUC（Area Under Curve）被定义为ROC曲线下与坐标轴围成的面积，显然这个面积的数值不会大于1。（y=真阳率、x=伪阳率）把正例正确地分类为正例，表示为TP（true positive），把正例错误地分类为负例，表示为FN（false negative）。把负例正确地分类为负例，表示为TN（true negative）， 把负例错误地分类为正例，表示为FP（false positive）。真阳率=TP/(TP+FN)伪阳率=FP/(FP+TN)
【注解】我们都知道AUC是面积，但这样的计算往往不方便，几乎不用
任意给一个正类样本和一个负类样本，正类样本的score大于负类样本的score的概率

公式如下

M 是正样本的个数，N是负样本的个数
值得是第i个样本的序号。对所有的预测样本的score进行从小到大的排序，然后从1进行标号。

原始样本
模型打分 0.8 0.5 0.6 0.3 0.4
按分数排序
分数 0.8 0.6 0.5 0.4 0.3
排序rank 5 4 3 2 1
对于公式的分母：正样本排在负样本的情况，一共有M*N种
分子的左边一项，是正样本的序号之和
对于分子右边一项 ，M是正样本的个数，这个公式也是首项为1，末项为M, 公差为1的等差数列的求和公式，它的序列为
1， 2， 3， 。。。M
————————————————
ROC曲线：
横轴是FPR（负类样本中被判定为正类的比例)
纵轴是TPR（recall）（正类样本中被判定为正类的样本）

1.3 准确率(Accuracy) 精确度(Precision) 召回率(Recall)

准确率就是分类任务中全部分类正确(不论正例负例)的总数与全体总数的比值Accuracy = (TP + TN )/( TP + FP + TN + FN)

precision = TP/(TP + FP)假设模型分类取得了正例和负例的分类结果，那么Precision就是模型所得分类结果中，真正的正例与分类所得正例的比值，也可叫作查准率；

recall = TP/(TP +FＮ)Recall就是模型所得分类结果中，真正的正例与数据中实际真正正例的比值，也可叫做查全率；

1.4 方差与偏差

偏差: 描述模型输出结果的期望与样本真实结果的差距。
方差: 描述模型对于给定值的输出稳定性。

（缺）1.5 Clustering（聚类算法）

“在聚类任务中,常见的评价指标有:纯度(Purity)、兰德系数(Rand Index, RI)、F值(F-score)和调整兰德系数(Adjusted Rand Index,ARI)。同时,这四种评价指标也是聚类相关论文中出现得最多的评价方法。
1.纯度
聚类纯度的总体思想：聚类正确的样本数除以总的样本数，因此它也经常被称为聚类的准确率。只是对于聚类后的结果我们并不知道每个簇所对应的真实类别，因此需要取每种情况下的最大值。具体的，纯度的计算公式定义如下：

2.兰德系数与F值
为了说明兰德系数背后的思想，我们还是以图1中的聚类结果为例进行说明（为了方便观察，我们再放一张图在这里）:

图 1. 文本聚类结果
现在你想象一下，把这三个簇想象成三个黑色的布袋。那么对于任意一个布袋来说：①如果你从里面任取两个样本出来均是同一个类别，这就表示这个布袋中的所有样本都算作是聚类正确的；②相反，如果取出来发现存在两个样本不是同一类别的情况，则就说明存在着聚类错误的情况。其次，对于任意两个布袋来说：③如果你任意从两个布袋中各取一个样本发现两者均是不同类别，这就表示两个布袋中的样本都被聚类正确了；④相反，如果发现取出来的两个样本存在相同的情况，则说明此时也存在着聚类错误的情况。大家想一想，应该再也找不出第五种情况了。由此，我们可以做出如下定义：

：表示两个同类样本点在同一个簇（布袋）中的情况数量；
：表示两个非同类样本点在同一个簇中的情况数量；
：表示两个非同类样本点分别在两个簇中的情况数量；
：表示两个同类样本点分别在两个簇中的情况数量；
由此，我们便能得到如下所示的对混淆矩阵（Pair Confusion Matrix）：


https://zhuanlan.zhihu.com/p/343667804

1.6 mAP (mean average precision)
目标检测中的常用评价指标，计算方法如下。

当预测的包围盒和真实包围盒的交并比大于某一阈值(通常为0.5)，则认为该预测正确。对每个类别，我们画出它的查准率-查全率(precision-recall)曲线，平均准确率是曲线下的面积。之后再对所有类别的平均准确率求平均，即可得到mAP，其取值为[0, 100%]。

2、机器学习（ML）
（缺）2.1 Scikit-learn包的使用
API接口
模型建立、训练、保存、加载、参数调节等
不同算法的评价指标的参数，设置

2.2 特征选择有哪些方法?过滤法，包装法，嵌入法
（介绍项目时涉及到了特征相关性分析，因此问了这个）
1
2
3
关于特征提取，数据预处理，sklearn包提供了十分丰富的库
在数据预处理中，例如有标准化，区间放缩法，归一化，二值化，哑编码，缺失值计算

当数据预处理完成后，我们需要选择有意义的特征输入机器学习的算法和模型进行训练。通常来说，从两个方面考虑来选择特征：

特征是否发散：如果一个特征不发散，例如方差接近于0，也就是说样本在这个特征上基本上没有差异，这个特征对于样本的区分并没有什么用。
特征与目标的相关性：这点比较显见，与目标相关性高的特征，应当优选选择。除方差法外，本文介绍的其他方法均从相关性考虑。
　　根据特征选择的形式又可以将特征选择方法分为3种：

Filter：过滤法，按照发散性或者相关性对各个特征进行评分，设定阈值或者待选择阈值的个数，选择特征。
Wrapper：包装法，根据目标函数（通常是预测效果评分），每次选择若干特征，或者排除若干特征。
Embedded：嵌入法，先使用某些机器学习的算法和模型进行训练，得到各个特征的权值系数，根据系数从大到小选择特征。类似于Filter方法，但是是通过训练来确定特征的优劣。
　　我们使用sklearn中的feature_selection库来进行特征选择。

数据和特征决定了机器学习的上限，而模型和算法只是逼近这个上限而已
特征工程其本质是一项工程活动，目的是最大限度地从原始数据中提取特征以供算法和模型使用。

2.3 写出逻辑回归反向传播的伪代码。

https://blog.csdn.net/weixin_43258017/article/details/94562827

2.3 决策树
CART树的原理，ID3以及C4.5有什么区别
决策树CART与ID3,C4.5联系与区别
CART与ID3和C4.5相同都由特征选择，树的生成，剪枝组成。但ID3和C4.5用于分类，CART可用于分类与回归。
说白了CART是个二叉树，另外俩可以是多叉树
CART树通过基尼指数来选择最优特征，基尼指数越大，样本集合不确定性越大。而另外两个直接选择最优特征
CART树生成
(1) 设结点的训练数据集为D,计算现有特征对该数据集的基尼指数.此时，对于每个特征，每次取其中一个每个可能取得值，根据样本点对该值的测试结果为”是”或”否”将D分成2部分，并计算基尼指数.
(2) 在所有可能的特征，以及他们所有可能的切分点中，选择基尼指数最小的特征，该选择的特征为最优特征，该特征中的切分点为最优切分点，依照最优特征和最优切分点生成二叉树，并把训练数据集分配到子节点中。
(3)对两个子节点递归调用 (1) (2) ,直至满足停止条件
(4)生成CART决策树。
停止条件是样本个数小于预定阈值，或样本基尼指数小于预定阈值，或没有更多特征。

而ID3，C4.5在(1) (2)处与CART不同，ID3计算信息增益，C4.5计算信息增益比，首先求所有特征的信息增益或信息增益比，其中计算的数值是针对每一个特征，不将特征划分，而后以该特征将树延伸，在父节点确定的条件下，继续对子节点求所有特征的信息增益，后在划分。
CART则为求所有特征下的所有切分点后进行比较来划分。

回归树与分类树有什么区别。
回归树使用最大均方差划分节点，分类树使用信息增益或者增益比率来划分节点

写出信息增益的表达式。

参考： https://www.cnblogs.com/keye/p/10564914.html

分类树和回归树的区别_bigfacesafdasgfewgf-CSDN博客_分类树和回归树的区别

2.4 AdaBoost

Adaboost，迭代算法，基本原理就是将多个弱分类器（弱分类器一般选用单层决策树）进行合理的结合，使其成为一个强分类器。

Adaboost采用迭代的思想，每次迭代只训练一个弱分类器，训练好的弱分类器将参与下一次迭代的使用。也就是说，在第N次迭代中，一共就有N个弱分类器，其中N-1个是以前训练好的，其各种参数都不再改变，本次训练第N个分类器。其中弱分类器的关系是第N个弱分类器更可能分对前N-1个弱分类器没分对的数据，最终分类输出要看这N个分类器的综合效果。

问了adaboost的原理，模型的权重以及数据的权重各自有什么意义，写出adaboost的伪代码？

该算法有两种权重，数据的权重和弱分类器的权重
数据的权重主要用于弱分类器寻找其分类误差最小的决策点，找到之后用这个最小误差计算出该弱分类器的权重（发言权），分类器权重越大说明该弱分类器在最终决策时拥有更大的发言权。

参考： https://blog.csdn.net/px_528/article/details/72963977

2.5 GBDT 梯度提升决策树

gbdt 的算法的流程？

gbdt 如何选择特征 ？

gbdt 如何构建特征 ？

gbdt 如何用于分类？

gbdt 通过什么方式减少误差 ？

gbdt的效果相比于传统的LR，SVM效果为什么好一些 ？

gbdt 如何加速训练？

gbdt的参数有哪些，如何调参 ？

gbdt 实战当中遇到的一些问题 ？

gbdt的优缺点 ？

一是效果确实挺不错。

二是即可以用于分类也可以用于回归。

三是可以筛选特征。

GBDT叶节点权重怎么算

https://www.cnblogs.com/bnuvincent/p/9693190.html
gbdt全称梯度下降树，在传统机器学习算法里面是对真实分布拟合的最好的几种算法之一，在前几年深度学习还没有大行其道之前，gbdt在各种竞赛是大放异彩。原因大概有几个，一是效果确实挺不错。二是即可以用于分类也可以用于回归。三是可以筛选特征。这三点实在是太吸引人了，导致在面试的时候大家也非常喜欢问这个算法。
首先gbdt 是通过采用加法模型（即基函数的线性组合），以及不断减小训练过程产生的残差来达到将数据分类或者回归的算法。

2.6 随机森林（Random Forest）
随机森林属于 集成学习 中的 Bagging（Bootstrap AGgregation 的简称） 方法。随机森林是由很多决策树构成的，不同决策树之间没有关联。
当我们进行分类任务时，新的输入样本进入，就让森林中的每一棵决策树分别进行判断和分类，每个决策树会得到一个自己的分类结果，决策树的分类结果中哪一个分类最多，那么随机森林就会把这个结果当做最终的结果。

1、分类算法选择的特征越随机越好（相关性低）

2、选择的训练数据越随机越好

优势：

1、它能够处理很高维度（feature很多）的数据，并且不用做特征选择

原因：特征子集是随机选择的，子集大小可以控制。

2、在训练完后，它能够给出feature重要大小

3、训练速度快，容易做成并行化方法

原因：训练时树与树之间是相互独立的

4、如果有很大一部分的特征遗失，仍可以维持准确度。

缺陷：

1、随机森林已经被证明在某些噪音较大的分类或回归问题上会过拟合

2、对于有不同取值的属性的数据，取值划分较多的属性会对随机森林产生更大的影响，(跟决策树算法类似，以信息增益划分数据集的特征，都有这个问题，可以用信息增益比校正)所以随机森林在这种数据上产出的属性权值是不可信的。

参考： 随机森林https://blog.csdn.net/weixin_41940752/article/details/98717868
随机森林指的是利用多棵树对样本进行训练并预测的一种分类器。

2.7 xgboost原理

xgboost在多分类与二分类过程中有什么不同

参考：https://www.jianshu.com/p/a62f4dce3ce8?u_atoken=3f0f7d9f-2a2e-43fc-ac18-eab10999b8d2&u_asession=01BMaFvIcRI-Aw1_7s_gTSO4e1ntEZ4LAPNBCSpwBcDNbNhmhRBd5D3xTOqIn0AczlX0KNBwm7Lovlpxjd_P_q4JsKWYrT3W_NKPr8w6oU7K8EEMmYCvujNjf-_ux1-dJ_3TYvls7v_Epik-OyKXq1TWBkFo3NEHBv0PZUm6pbxQU&u_asig=05ZzWZXByCBXe3TS4C2roTfrzaKqHwFOGqTlweM4NwsZEoGS-gQr7XA8H1CSTMuHjmE0tAqExSGIKIHHZ79YgfZG1ojcJ-ZWFD_Pfb1jG-rxfKzQ6g8sJdmZ840OVlVaGQdOtEu2Td3xmVxqrVdKUOLamiVwBE1Bn9LlKO-Mx_Jvf9JS7q8ZD7Xtz2Ly-b0kmuyAKRFSVJkkdwVUnyHAIJzXTgWQZxw2AGKVsKjVboCK6gkLYTgpt0PcTIwt9r0SHSyZo170oZzfjmGNwwqqFezu3h9VXwMyh6PgyDIVSG1W_i96UhcSWzX0Objw4PjDpYvDDbFVJYdBKb20HLpJxMYnwf4qgTEowZuhABXumTJOFEGhwbISNqXsOL41bGHp_PmWspDxyAEEo4kbsryBKb9Q&u_aref=wxyEGOKRkhbAN9THwu631qoJz5g%3D

2.8 RF和GBDT的区别是什么？
参考：

首先，GBDT和RF都是集成方法中的经典模型，我们需要弄清楚下面几个问题：
1、GBDT是采用boosing方法，RF采用的是baggging方法
2、bias和variance是解释模型泛化性能的，其实还有噪声

GBDT和随机森林的相同点：
1、都是由多棵树组成
2、最终的结果都是由多棵树一起决定

GBDT和随机森林的不同点：
1、组成随机森林的树可以是分类树，也可以是回归树；而GBDT只由回归树组成
2、组成随机森林的树可以并行生成；而GBDT只能是串行生成
3、对于最终的输出结果而言，随机森林采用多数投票等；而GBDT则是将所有结果累加起来，或者加权累加起来
4、随机森林对异常值不敏感，GBDT对异常值非常敏感
5、随机森林对训练集一视同仁，GBDT是基于权值的弱分类器的集成
6、随机森林是通过减少模型方差提高性能，GBDT是通过减少模型偏差提高性能

2.9 GBDT和XgBoost的区别是什么呢？
https://www.zhihu.com/question/41354392

2.10 GBDT可以并行吗？
GBDT为什么不能并行，XGBoost却可以

GBDT的整体是串行运行的，但在每一轮迭代时，以下是可以并行计算的

传统的GBDT是以CART作为基分类器，xgboost还支持线性分类器，这个时候XGBOOST相当于带L1和L2正则化的逻辑斯蒂回归（分类问题）或者线性回归（回归问题）。传统的GBDT在优化的hih只用到一阶导数信息，xgboost则对代价函数进行了二阶泰勒展开，同时用到了一阶和二阶导数。顺便提一下，xgboost工具支持自定义代价函数，只要函数可一阶和二阶求导。

xgboost在代价函数里加入了正则项，用于控制模型的复杂度。正则项里包含了树的叶子节点个数、每个叶子节点上输出的score是L2模的平方和。使学习出来的模型更加简单，防止过拟合，这也是xgboost优于传统GBDT的一个特性。

Shrinkage（缩减），相当于学习速率。xgboost在进行完一次迭代后，会将叶子节点的权重乘上该系数，主要是为了消弱每棵树的影响，让后面有更大的学习空间。在实际应用中，一般把学习率设置的小一点，然后迭代次数设置的大一点（补充：传统GBDT的实现也有学习速率）

列抽样。xgboost借鉴了随机森林的做法，支持列抽样，不仅能降低过拟合，还能减少计算，这也是xgboost异于传统gbdt的一个特性。

对缺失值的处理。对于特征的值有缺失的样本，xgboost可以自动学习出她的分裂方向。

xgboost工具支持并行。boosting不是一种串行的结构吗？怎么并行的？

注意xgboost的并行不是tree粒度的并行，xgboost也是一次迭代完成才能进行下一次迭代的（第t次迭代的代价函数里面包含了前面t-1次迭代的预测值）。xgboost的并行是在特征粒度上的。我们知道，决策树的学习最耗时的一个步骤就是对特征的值进行排序（因为要确定最佳分割点），xgboost在训练之前，预先对数据进行排序，然后保存block结构，后面的迭代中重复的使用这个结构，大大减小计算量。这个block结构也使得并行称为了可能，在进行节点的分裂时，需要计算每个特征的增益，最终选增益最大的那个特征去做分裂，那么各个特征的增益计算就可以开多线程进行。

可并行的近似值方图算法。树节点在进行分裂时，我们需要计算每个特征的每个分割点对应的增益，即用贪心法枚举所有可能的分割点。当数据无法一次载入内存或者在分布式情况下，贪心算法效率就会变得很低，所以xgboost还提出了一种可并行的近似直方图算法，用于高效地生成候选的分割点

参考： https://www.cnblogs.com/zhibei/p/9540784.html

2.11 介绍XGB对GBDT的提升，LGB对XGB的提升，以及既然使用了LGB为什么还要使用XGB
马东什么：gbdt、xgb、lgb、cat面经整理——from牛客

https://zhuanlan.zhihu.com/p/82521899

2.12 为什么Bagging降方差，Boosting降偏差
● Bagging是Bootstrap Aggregating 的简称，意思就是再取样 (Bootstrap) 然后在每个样本上训练出来的模型取平均，所以是降低模型的variance. Bagging 比如Random Forest 这种先天并行的算法都有这个效果。

● Boosting 则是迭代算法，每一次迭代都根据上一次迭代的预测结果对样本进行加权，所以随着迭代不断进行，误差会越来越小，所以模型的 bias 会不断降低。这种算法无法并行，例子比如Adaptive Boosting.

参考： 为什么说bagging是减少variance，而boosting是减少bias?
https://www.zhihu.com/question/26760839

2.13 svm（支持向量机） 推导tui复杂了看不懂
讲了下SVM的推导：hard margin, soft margin, 几何距离、函数距离，最优化，拉格朗日乘子法，对偶问题，KKT条件，损失函数，惩罚系数等。
支持向量机（support vector machines, SVM）是一种二分类模型，它的基本模型是定义在特征空间上的间隔最大的线性分类器，间隔最大使它有别于感知机；SVM还包括核技巧，这使它成为实质上的非线性分类器。SVM的的学习策略就是间隔最大化，可形式化为一个求解凸二次规划的问题，也等价于正则化的合页损失函数的最小化问题。SVM的的学习算法就是求解凸二次规划的最优化算法。

为什么SVM求解要求解他的对偶问题？
为了使原问题更好求解，因为原问题不好求解，引入对偶问题之后就更好求解了。面试官：哈哈哈，就是因为这个？好吧。其实，是因为对偶问题可以降低原问题的计算复杂度。

2.14 朴素贝叶斯公式、原理

参考： 机器学习 | 算法笔记- 朴素贝叶斯（Naive Bayesian）

（缺）2.15 你知道哪些时间序列预测，举一个例子，写出伪代码

2.16 介绍stacking的模型融合方式，以及模型融合为什么有效

参考： 模型融合：bagging、Boosting、Blending、Stacking_一花一世界 一叶一菩提-CSDN博客_bagging模型融合

stacking模型最后一层用于二分类的LR是用离散型的数据还是连续型的数据，有什么区别

（不懂）2.17 FM是否也能起到自动特征选择的作用，为什么?

参考： FM系列算法解读（FM+FFM+DeepFM）_数据喵的博客-CSDN博客_fm模型

2.18 非线性分类算法有哪些。
NN，在模型中加了非线性激活函数，能增加模型的拟合能力。

决策树、RF、GBDT、多层感知机、SVM（高斯核）等。

参考： 机器学习总结之–线性分类器与非线性分类器_机器学习&数据挖掘-CSDN博客_非线性分类器

2.19 如何判断一个算法是线性的还是非线性的。
1、判断一个模型是线性的，根据是：

影响一个自变量的参数（可能是多个）之间是不是线性关系。

2、线性模型的决策边界不能仅仅是（或者称作）直线，应该称作超平面（直线也是超平面的一个特例）），可以参考svm中的分离超平面。

参考：

机器学习中的线性和非线性判断_Vincent8080的博客-CSDN博客

线性与非线性的区别和关系 - blcblc - 博客园

线性与非线性的区分_有信念，才能走的更远-CSDN博客_非线性表达能力

（不懂）2.20 你知道隐马尔可夫模型（HMM）吗，大概介绍下
问了HMM的几个要素，即：初始概率，状态转移矩阵，发射矩阵，这三个要素，然后我主要讲了下这三个要素的运算过程，提及了一下维特比算法。

维特比算法其实是一种动态规划算法，动态规划算法通常用来解决什么问题，在HMM里是怎么使用的？

HMM和CRF有什么区别？

详细讲了HMM，但是CRF只有大概了解，就没仔细说。HMM的2个假设，正向反向算法（递推式推导），EM算法，维特比算法。CRF打破了两个假设，所以效果更好。（说的比较大概，也和面试官说了这部分不是很了解，只知道个大概）

2.21 sigmoid和softmax的区别和联系？
sigmoid将一个real value映射到（0,1）的区间，用来做二分类。 而 softmax 把一个 k 维的real value向量（a1,a2,a3,a4….）映射成一个（b1,b2,b3,b4….），其中 bi 是一个 0～1 的常数，输出神经元之和为 1.0，所以相当于概率值，然后可以根据 bi 的概率大小来进行多分类的任务。

二分类问题时 sigmoid 和 softmax 是一样的，求的都是 cross entropy loss（交叉熵损失），而 softmax 可以用于多分类问题。softmax是sigmoid的扩展，因为，当类别数 k＝2 时，softmax 回归退化为 logistic 回归。

2.22 分类一般用什么损失函数？交叉熵的公式是什么？
0-1损失函数

Hinge loss

cross-entropy loss(log loss)

指数损失函数（AdaBoost 算法常用的损失函数）

（缺）3、深度学习（Deep Learning）
3.1 方向导数和梯度

多元函数的所有偏导数构成的向量即为梯度。
梯度的本意是一个向量，表示某一函数在该点处的方向导数沿着该方向取得最大值，即函数在该点处沿着该方向（此梯度的方向）变化最快，变化率最大，为该梯度的模。
偏导数只能描绘x，y方向上函数的变化率，但是在实际的使用过程中，我们想知道函数在各个方向上的变化率，于是就有了方向导数的概念。
方向导数是一个标量，方向导数定义了点 x 处沿向量 v 方向变化时，对应的函数的瞬时变化率。

方向导数和梯度的关系？

为什么梯度在机器学习中的优化方法中有效？

方向导数本质上研究的是函数在某点处沿某特定方向上的变化率问题，梯度反映的是空间变量变化趋势的最大值和方向。

3.2 ResNet的结构特点以及解决的问题是什么？

3.3 BN 与LN

3.4 哪几种normlize的方法？

请着重介绍一种（BatchNormalization）.这个方法在深度学习网络中有什么用？为什么可以加速模型收敛？

3.5 同时使用BN和dropout，该如何使用

3.6 分别解释分层采样和蓄水池采样

3.7 卷积操作汇总

普通卷积、DW、PW卷积定义

3.8 检测中能提升速度但不损失性能的操作有哪些

3.9 RPN过程中正类和负类的筛选阈值是什么

3.10 anchor的意义，anchor-free的意义

3.11 熟悉的模型

3.12 RNN如何防止梯度爆炸

3.13 LSTM

原理

大概描述了下它的三个门。

假设输入是维，LSTM的参数量为多少？

3.14 详细解释了弱模型特征的生成方法和思考角度

3.15 GAN模型和多帧模型以及loss设计

3.16 GAN和编解码器都是重建类型的网络，二者有什么区别？

在GAN中，两个网络相互竞争，最终达到一种平衡，即生成网络可以生成数据，而鉴别网络很难将其与实际图像区分开。

参考： CNN、RNN、GAN都是什么？终于有人讲明白了_大数据-CSDN博客

3.17 注意力机制

参考
醒了么：计算机视觉知识点总结

发布于 2022-01-20 22:44