深度学习可能出现的问题

1.深度网络中防止过拟合的措施：

什么是过拟合？

过拟合是指在模型参数拟合过程中的问题，由于训练数据包含抽样误差，训练时，复杂的模型将误差也考虑在内，将抽样误差也进行了很好的拟合。

产生原因：训练数据不够、迭代学习次数足够多

解决方法：

1. early stopping 在每一次Epoch结束时(一个Epoch集为对所有的训练数据的一轮遍历)计算验证数据集的准确度，当准确度不再提高时，就停止训练。
2. 数据集增长 足够多的数据
3. 正则化
4. dropout

2.在ResNet出现之前，网络超过一定的深度，网络越深效果反而越差，为什么？结合你对ResNet\ResNext的理解，你认为影响网络加深的因素是什么？

3.深度网络中的检测或分割任务中使用two stage笔one stage的效果好，你是怎么理解的?
one-stage 目标检测算法 ，其特点是一步到位，速度相对较快
two-stage 如Faster R-CNN算法先生成候选框，然后再对每个候选框进行分类

4.强化学习中，model-based与model-free的区别在哪？value-based和policy-gradient的区别是什么？

5.强化学习中，计算Optimal Qvalue通常使用到Bellman公式，Q_pi=E[r_t + gamma * Q_(t+1)]
谈谈对Bellman公式的理解。

6.有一批图片要做分类，正样本5W，负样本1000，针对正负样本不平衡的情况：
1、分别使用SVM和使用CNN学习，有什么应对措施？
2、分类精度指标一般包括Recall、Precision、F-measure、Accuracy等，该结果应该使用什么评价指标？

7.深度网络中有一种算法——GAN，可以生成逼真的图片。假设GAN
（1）最大可以生成512x512像素的图片
（2）会有2%的概率生成失误（即生成完全不合理的图片）
那么你认为在这种情况下该方法可能有什么应用前景。