考完试了,老师考试范围就是他的PPT(虽然我比较菜看不懂其中公式),造福学弟学妹攒人品,大家取需~
题型:单选20‘多选15’判断10‘论述30’
必考:
计算题:
卷积网络计算(考了)
pooling计算
论述题:
过拟合解决方法(重点,一道多选一道简答)
- dropout
- 降低维度,减小宽度,降低模型复杂度
- 参数正则化
- data augmentation
- early stopping
数据预处理一般方法:中心化、归一化、白化、维数约简
目标检测RPN网络定义,在faster-RCNN中的作用(PPT上写的我没看懂,网上搜搜看吧)
pooling定义和作用: - 降维
- 实现非线性
- 扩大感受野
- 实现不变性
常用的CNN模型,简述特点 - LeNet
- AlexNet
- VGG-16
- GoogleNet
- ResNet
- DenseNet
深度学习训练一般步骤
没考:
KNN,SVM原理
聚类学习Kmeans
梯度下降
目标检测
LSTM:遗忘门,输入门,输出门
GRU有一个重置门和一个更新门(电梯门),重置门决定了如何把新的输入与之前的记忆相结合,更新门决定多少先前的记忆起作用。GRU将LSTM里面的遗忘门和输入门合并为更新门
课后习题:
- 假设有1000张5种不同动物的照片,分别简述在监督学
习和无监督学习的条件下完成此项任务
监督学习:SVM,KNN,神经网络,决策树
无监督学习:Kmeans进行聚类切割,k=5
- 已知数据集中样本为{猫,狗,虎,鲤鱼,鲨鱼,麻雀,
鹰,青蛙},请从生活环境、呼吸器官等角度构建决策树,
将样本分为哺乳类、鸟类、两栖类、鱼类等不同类型
选择题
考试题
CNN中1x1 kernel 作用
聚合学习中单个模型直接相关度高还是低
SPPNet性能(多选)
监督学习CNN最后一层神经元和分类数相同,对吗
如果把imagenet上训练好的模型拿出,输入一张白色图片,那么它在所有分类