什么样的数据不适合用神经网络学习?
数据集太小,因为神经网络有效的关键就是大量的数据,有大量的参数需要训练,少量的数据不能充分训练参数。
数据集没有局部相关性。目前深度学习应用的领域主要是图像、语音、自然语言处理,这些领域的共性就是局部相关性。例如:图像中的像素组成物体,语音中的音位组成单词,文本数据中的单词组成句子,而深度学习的本质就是学习局部低层次的特征,然后组合低层次的特征成高层次的特征,得到不同特征之间的空间相关性。
什么是过拟合,什么是欠拟合?
过拟合:模型把数据学习的太彻底,以至于把噪声数据的特征也学习到了,这样就会导致在后期测试的时候不能够很好地识别数据,即不能正确的分类,模型泛化能力太差。
欠拟合:模型没有很好地捕捉到数据特征,不能够很好地拟合数据。
神经网络中的激活函数:对比ReLU与Sigmoid、Tanh的优缺点?
优点:
从计算的角度上,Sigmoid和Tanh激活函数均需要计算指数,复杂度高,而ReLU只需要一个阈值即可得到激活值;
ReLU的非饱和性可以有效地解决梯度消失的问题,提供相对宽的激活边界。
ReLU的单侧抑制提供了网络的稀疏表达能力,和人脑的机制类似。
缺点:
ReLU和Sigmoid一样,它们的输出是非零中心化的,给后一层的神经网络引入偏置偏移, 会影响梯度下降的效率。
ReLU有哪些变种?
Leaky ReLU、ELU以及softplus函数。
卷积神经网络相比于前馈神经网络,由哪些部分构成?各部分作用分别是什么?
如果用全连接前馈网络来处理图像时,会存在以下两个问题:
参数太多;
很难提取局部不变特征。
卷积神经网络一般是由卷积层、池化层和全连接层交叉堆叠而成的前馈神经网络,使用反向传播算法进行训练。
卷积层的作用:局部连接,权重共享;
池化层(pooling layer),也叫子采样层(subsampling layer)的作用:进行特征选择,降低特征数量,并从而减少参数数量。
在深度学习中,网络层数增多会伴随哪些问题,怎么解决?
计算资源的消耗(GPU)
模型容易过拟合(Dropout,正则化)
梯度消失/梯度爆炸问题的产生(批归一化BN、梯度裁剪、网络结构变更):BN