面经day1

smooth L1为什么有效
优点：更强的鲁棒性


2.
学习率（步长）：在梯度下降的过程中更新权重时的超参数（每次参数更新的幅度）

weight decay（权值衰减）的使用其最终目的是防止过拟合。L2正则化就是在代价函数后面再加上一个正则化项
避免过拟合的方法有很多：early stopping、数据集扩增（Data augmentation）、正则化（Regularization）包括L1、L2（L2 regularization也叫weight decay），dropout。
Monentum
训练参数时，有时候会下降的非常慢，并且可能会陷入到局部最小值中
动量的引入就是为了加快学习过程，特别是对于高曲率、小但一致的梯度，或者噪声比较大的梯度能够很好的加快学习过程
简而言之 若当前的梯度方向与累积的历史梯度方向一致，则当前的梯度会被加强，从而这一步下降的幅度更大。若当前的梯度方向与累积的梯度方向不一致，则会减弱当前下降的梯度幅度。
3.
faster rcnn损失是什么
RPN（位置损失，二分类损失（有无目标））+Fast rcnn （位置损失，类别损失）
4.softmax 的好处

将各类别的概率转化成0-1之间
5.

准确率：预测为正样本占总正样本的比例
召回率：预测正样本（真正正样本）占所有预测正样本的比例