相关问题

说是面试题，并不是为了读者去利用这个去参加面试，只是为了一些图像算法相关问题的深入理解，这里面的一些问题，除了参考网上的解答，也包含了
部分我们自己的理解，不当之处欢迎指出。

1.CNN的特点以及优势

改变全连接为局部连接，这是由于图片的特殊性造成的（图像的一部分的统计特性与其他部分是一样的），通过局部连接和参数共享大范围的减少参数值。可以通过使用多个filter来提取图片的不同特征（多卷积核）。

CNN使用范围是具有局部空间相关性的数据，比如图像，自然语言，语音

  1. 1.局部连接：可以提取局部特征。
  2. 2.权值共享：减少参数数量，因此降低训练难度（空间、时间消耗都少了）。 
  3. 3.可以完全共享，也可以局部共享（比如对人脸，眼睛鼻子嘴由于位置和样式相对固定，可以用和脸部不一样的卷积核）
  4. 4.降维：通过池化或卷积stride实现。
  5. 5.多层次结构：将低层次的局部特征组合成为较高层次的特征。不同层级的特征可以对应不同任务。
2.deconv的作用
  1. 1.unsupervised learning： 重构图像
  2. 2.CNN可视化：将conv中得到的feature map还原到像素空间，来观察特定的feature map对哪些pattern的图片敏感
  3. 3.Upsampling：上采样。
3.dropout作用以及实现机制 (参考:https://blog.csdn.net/nini_coded/article/details/79302800)
  1. 1.dropout是指在深度学习网络的训练过程中，对于神经网络单元，按照一定的概率将其暂时从网络中丢弃。注意是暂时，
  2.   对于随机梯度下降来说，由于是随机丢弃，故而每一个mini-batch都在训练不同的网络。
  3. 2.dropout是一种CNN训练过程中防止过拟合提高效果的方法
  4. 3.dropout带来的缺点是可能减慢收敛速度：由于每次迭代只有一部分参数更新，可能导致梯度下降变慢
  5. 4.测试时，需要每个权值乘以P
4.深度学习中有什么加快收敛/降低训练难度的方法：
  1. 1.瓶颈结构
  2. 2.残差
  3. 3.学习率、步长、动量
  4. 4.优化方法
  5. 5.预训练
5.什么造成过拟合，如何防止过拟合
  1. 1.data agumentation
  2. 2.early stop
  3. 3.参数规则化
  4. 4.用更简单模型
  5. 5.dropout
  6. 6.加噪声
  7. 7.预训练网络freeze某几层
6.LSTM防止梯度弥散和爆炸

LSTM用加和的方式取代了乘积，使得很难出现梯度弥散。但是相应的更大的几率会出现梯度爆炸，但是可以通过给梯度加门限解决这一问题

7.为什么很多做人脸的Paper会最后加入一个Local Connected Conv?

在一些研究成果中，作者通过实验表明：人脸在不同的区域存在不同的特征（眼睛／鼻子／嘴的分布位置相对固定），当不存在全局的局部特征分布时，Local-Conv更适合特征的提取。

8.不同的权值初始化方式以及其造成的后果?为什么会造成这样的结果?
9.Convolution、 pooling、 Normalization是卷积神经网络中十分重要的三个步骤，分别简述Convolution、 pooling和Normalization在卷积神经网络中的作用。
10.dilated conv优缺点以及应用场景
11.判别模型和生成模型解释

监督学习方法又分生成方法（Generative approach）和判别方法（Discriminative approach），所学到的模型分别称为生成模型（Generative Model）和判别模型（Discriminative Model）。

  1. 从概率分布的角度考虑，对于一堆样本数据，每个均有特征Xi对应分类标记yi。
  3. 生成模型：学习得到联合概率分布P(x,y)，即特征x和标记y共同出现的概率，然后求条件概率分布。能够学习到数据生成的机制。
  5. 判别模型：学习得到条件概率分布P(y|x)，即在特征x出现的情况下标记y出现的概率。
  7. 数据要求：生成模型需要的数据量比较大，能够较好地估计概率密度；而判别模型对数据样本量的要求没有那么多。

由生成模型可以得到判别模型，但由判别模型得不到生成模型。

12.如何判断是否收敛
13.正则化方法以及特点

正则化方法包括： L1 regularization 、 L2 regularization 、 数据集扩增 、 dropout 等，其特点分别为：

  1. 1.
14.常用的激活函数 (参考:https://blog.csdn.net/Yshihui/article/details/80540070)
激活函数 公式 缺点 优点
Sigmoid σ(x)=1/(1+e−x) 1、会有梯度弥散
2、不是关于原点对称
3、计算exp比较耗时		 -
Tanh tanh(x)=2σ(2x)−1 梯度弥散没解决 1、解决了原点对称问题
2、比sigmoid更快
ReLU f(x)=max(0,x) 梯度弥散没完全解决 1、解决了部分梯度弥散问题
2、收敛速度更快
Leaky ReLU f(x)=αx(x<=0) α固定
f(x)=x(x<0)		 - 解决了神经死亡问题
pRelu f(x)=αx(x<=0) α可学习
f(x)=x(x<0)		 增加了极少量的参数,
降低过拟合风险		 -
Maxout max(wT1x+b1,wT2x+b2) 参数比较多,本质上是在输出结果上又增加了一层 克服了ReLU的缺点，比较提倡使用
15.1x1卷积的作用
  1. 1. 实现跨通道的信息交互和整合。1x1卷积核只有一个参数，当它作用在多通道的feature map上时，相当于不同通道上的一个线性组合，
  2.    实际上就是加起来再乘以一个系数，但是这样输出的feature map就是多个通道的整合信息了，能够使网络提取的特征更加丰富。
  3. 2. feature map通道数上的降维。降维这个作用在GoogLeNet和ResNet能够很好的体现。举个例子：假设输入的特征维度为100x100x128，
  4.    卷积核大小为5x5（stride=1，padding=2），通道数为256，则经过卷积后输出的特征维度为100x100x256，卷积参数量为
  5.    128x5x5x256=819200。此时在5x5卷积前使用一个64通道的1x1卷积，最终的输出特征维度依然是100x100x256，但是此时的卷积参数
  6.    量为128x1x1x64 + 64x5x5x256=417792，大约减少一半的参数量。
  7. 3. 增加非线性映射次数。1x1卷积后通常加一个非线性激活函数，使网络提取更加具有判别信息的特征，同时网络也能做的越来越深。

实践部分

1.python中range和xrange有什么不同

  1. 两者的区别是xrange返回的是一个可迭代的对象；range返回的则是一个列表，同时效率更高，更快。

2.python中带类和main函数的程序执行顺序

  1. 1)对于  if __name__ == '__main__': 的解释相关博客已经给出了说明，意思就是当此文件当做模块被调用时，不会从这里执行，
  2.   因为此时name属性就成了模块的名字，而不是main。当此文件当做单独执行的程序运行时，就会从main开始执行。
  4. 2)对于带有类的程序，会先执行类及类内函数，或者其他类外函数。这里可以总结为，对于没有缩进的程序段，按照顺序执行。然后，才
  5.   到main函数。然后才按照main内函数的执行顺序执行。如果main内对类进行了实例化，那么执行到此处时，只会对类内成员进行初始
  6.   化，然后再返回到main 函数中。 执行其他实例化之后对象的成员函数调用。

3.神经网络的参数量计算

参考文献

[1] https://blog.csdn.net/u014722627/article/details/77938703

[2] https://www.cnblogs.com/houjun/p/8535471.html