名词解释
- 深度学习：
- 稀疏自编码器：
- 正则化：
- 集成学习：
- Dropout：
- 卷积神经网络：
- 循环神经网络：
- 奇异值分解：
- 交叉熵/相对熵：
- 深度信念网络：
- 欠拟合与过拟合：
- 深度森林：
- 降噪自编码器：
- 胶囊网络：
- 深度可分离卷积：
- 目标检测：
- 焦点损失：
简答题：
- 请简述你对误差反向传播算法的理解：
- 请列出卷积神经网络的主要结构模块，以及各个模块完成的功能——
- 请简述你对LSTM的理解，并解释为什么它能够解决长时依赖问题。
- 请简述深度学习中常见的避免过拟合的方法
注：避免欠拟合的方法：
- 请简述你对生成对抗网络的理解，并简述其训练过程。
- 请简述你对胶囊网络的理解。
- 请简述 Yolo 算法的主要思想和实现过程
- 请简述GRU网络的主要思想，并用图和公式表达其计算过程
- 请简述Dropout的实现方式，并阐述你理解的它对于解决过拟合问题的原因。
- 请简述你对Batch Normalization的理解，并说明其在训练和测试阶段如何实现？
- 请简述你对残差网络的理解，并解释为什么它能够解决梯度消失问题。
- 请写出对矩阵Amxn（m≠n）进行奇异值分解的过程。
- 请简述随机梯度下降法的基本思想并图示说明
- 请简述Transformer的主要思想，并用图和公式说明。
计算：
- 多分类任务中，某个样本的期望输出为（0，0，0，1），两个模型A和B都采用交叉熵作为损失函数，针对该样本的实际输出分别为（In20，In40，In60，In80）、（In10，In30，ln50，In90），采用Softmax 函数对输出进行归一化并计算两个模型的交叉熵，说明哪个模型更好。提示：lg2≈0.301，lg3≈0.477。
- 计算焦点损失：
- 计算感受野：
注：最后等于1就行
- 计算参数量：卷积核大小 X 深度 X 通道数【特征图的通道数和前面所选卷积核深度相关】