【python牛客刷题】——深度学习第三弹 !!!个人主页:个人主页 !!!推荐一款模拟面试、刷题神器,从基础到大厂面试题:点击此处进入牛客网注册学习吧 !!!今日的努力,明日的未来 【解析】:神经网络会将数据转化为更适合解决目标问题的形式,我们把这种过程叫做特征学习。特征学习可以被分为两类:监督式特征学习(Supervised Representation Learning)和无监督式特征学习(Unsupervised Representation Learning)。在监督特征学习中,被标记过的数据被当做特征用来学习。例如神经网络(Neural Networks),多层感知器(Multi-Layer Perception),监督字典学习(Supervised Dictionary Learning)。在无监督特征学习中,未被标记过的数据被当做特征用来学习。例如无监督字典学习(Unsupervised Dictionary Learning),主成分分析(Principal Component Analysis),独立成分分析(Independent Component Analysis),自动编码(Auto-encoders),矩阵分解(Matrix Factorization) ,各种聚类分析(Clustering)及其变形。需要利用手动特征工程从原始数据的领域知识建立特征(Stage1),然后再部署相关的机器学习算法的都不是特征学习(Stage2),像SVM、决策树、K邻近算法、随机森林都不是,他们的定位应该是在Stage2部分 【解析】:检测是分类和定位,所一只要修改最后一层的输出即可 【解析】:正则化:添加参数来防止曲线过拟合。关注损失函数相关文章(后续) 【解析】:Attention-based Model其实就是一个相似性的度量,当前的输入与目标状态越相似,那么在当前的输入的权重就会越大,说明当前的输出越依赖于当前的输入。严格来说,Attention并算不上是一种新的model,而仅仅是在以往的模型中加入attention的思想,所以Attention-based Model或者Attention Mechanism是比较合理的叫法,而非Attention Model。 【解析】:因为INFINITY与0相乘为NaN,与除了乘以0以外的任何四则运算,得到的结果仍然是INFINITY。题目问的是至少有多少个,那么我们就考虑nan最少的情况下的INFINITY分布位置。第一个卷积核的4条边都不为0,因此nan的个数为0第二个卷积核有两个对称的角为0,因此一个((10+11)+(13+12))* 2 = 92第三个与第二个相同为92个第四个卷积核的4个角都为0,因此0会与所有的数相乘,相当于从上到下,从左到右,都会被0扫描一遍,因此25*4=1000+92+92+100=284个