超级会员免费看
本文总结了深度学习面试中常见的问题，包括神经网络的层类型如卷积层、池化层和FC层，以及它们的作用。卷积层用于提取图像特征，池化层则减小模型规模并增强特征的鲁棒性。Max Pooling和Average Pooling是两种常见的池化方式。超参数如隐藏层大小、学习率等也是面试重点。此外，还介绍了ResNet的残差块和Inception网络的多过滤器应用，以及VGG-16模型和1*1卷积的作用。
一些面试问题小结
一个神经网络有哪些层：卷积层——池化层——FC(单神经网络层)等
卷积层意义：提取图像的特征（像过滤器一样）
使用0扩充边界：没有缩小高度和宽度；帮助图像在边界保留更多的信息
池化层：缩减模型的大小，提高计算速度，同时提高所提取特征的鲁棒性
Max Pooling：取最大值
Average Pooling：取平均值
超参数：隐藏层的大小；学习率；迭代次数；神经网络中的层数
典型网络模型：
ResNet残差网络：有残差块，跳远连接，指a[L]跳过一层或好多层，使用残差块能够训练更深的神经网络，有助于解决梯度消失和梯度爆炸的问题。
Inception网络：应用各种类型的过滤器，只需要把输出连接起来。
VGG-16：包含了16个卷积层和全连接层
1*1卷积：压缩nc的方法，它给网络添加了一个非线性函数，从而减少或保持输入层的信道数量不变
924
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
