1、CNN的核心是什么?
局部感知,权值共享,池化和层次化
2、卷积操作是怎样进行的?
对于图像的不同局部的矩阵和卷积矩阵的各个位置的元素相乘,然后相加求和。
3、卷积反向传播过程?
为梯度;
4、Tensorflow中卷积操作是怎样实现的?
(w,h,in,ou)四维张量。
5、池化又是怎样操作的,反向传播过程中池化层怎么接受后面传过来的损失的
接收上一层的梯度,并且按照之前下采样的方式,用上采样将梯度矩阵还原成原来大小的。
6、GDBT介绍一下
梯度提升树模型。是属于boosting模型范畴,主要思想是,利用损失函数的负梯度作为残差的近似值,新的树通过不断地拟合残差得到。(与提升树的区别是,残差的计算不同,提升树使用的是真正的残差,梯度提升树用当前模型的负梯度来拟合残差)
7、逻辑回归中sigmoid函数的好处?以及为什么用极大似然?
当z趋于正无穷时,趋于1,当z趋于负无穷时,
趋于0。
求导很容易得到。
回顾一下线性回归的损失函数,由于线性回归是连续的,所以可以使用模型误差的平方和来定义损失函数,但是逻辑回归不是连续的,自然线性回归损失函数定义的经验就用不上了。不过我们可以用最大似然法来推导我们的损失函数。