深度学习刷题

1. 卷积神经网络中的参数共享和局部连接：

   • 网络局部连接和卷积核参数共享，二者都是为了减少参数的数量。
   • 局部连接，就是卷积层的节点仅仅和其前一层的部分节点相连接，只用来学习局部特征。这种局部连接的方式大幅减少了参数数量，加快了学习速率，同时也在一定程度上减少了过拟合的可能。
   • 权值共享：就是整张图片在使用同一个卷积核内的参数。在每个位置进行特征提取的时候都是共享一个卷积核，

2. 感受野是：现在的一个像素对应原来的多少个像素
   计算方法：前一个=（现在的-1）乘 步长加卷积核大小

3. 深度学习是直接从数据中自动学习到特征，无需提前提取

4. 卷积后输出：W或H=[(输入大小-卷积核大小+2*P）/步长] +1.
   不能整除时，一般去掉小数部分取整，如4.5，则取4

5. 对于数据过大以至于无法在RAM中同时处理时, RAM每次只能装一个样本, 那么只能选随机梯度下降法。

6. 卷积函数是线性的，一般情况下，卷积层后会跟一个非线性函数。Relu函数是非线性激活函数

7. 卷积核的大小是一个超参数，也就意味着改变它有可能增强也可能降低模型的性能。 并不是越大越好。

8. blob是caffe的数据存储单元，layer才是计算单元！

9. googlenet提出的Inception结构优势有（利用该结构有效减轻网络的权重）

10. 训练CNN时，可以对输入进行旋