重点考察内容:cnn,rnn,正则化,模型优化,参数初始化,数据白化,ae等内容
cnn的内容,包括多种网络的核心思想和改进
1.lenet:采用了卷积层与池化层进行特征提取与降维,相比于全连接神经网络大幅度减少了参数,使用全联接层进行最终分类。
2.alexnet 采用多个卷积层和池化层进行特征提取与降维,并且使用数据增强和dropout方法预防过拟合,在lenet基础上使用了更深层次的网络,卷积层之间使用局部响应归一化(lrn)加快收敛速度,局部神经元活动创建竞争机制,抑制
3. Vgg的思想:通过多个3x3尺寸的卷积核代替cnn中的大尺寸卷积,加深了神经网络的深度,。
4. nin的思想:是cnn的一种改进,通过引入多层感知器来代替传统的卷积操作,提高了特征提取能力。
5. googlenet思想:主要采用inception模块,采用多尺度卷积来增加神经网络的特征提取能力和特征范围,由不同尺寸的卷积层和池化层并行的进行卷积池化,最后将结果连接起来。
6. resnet:通过引入残差块,有小的缓解深度学习中的梯度消失问题,他的核心思想是引入跨层链接,将输入直接连接到输出端,可以是下一个残差块也可以是输出口。h(x)= x+f(x)
7. 轻量级网络:通道分离卷积
8. shufflenet:分组卷积
正则化
9. 正则化:正则化是深度学习中