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:
- 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。
- 数据集增长 足够多的数据
- 正则化
- 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。