Deep-Learning-Questions-for-Interviews

【文件属性】：

文件名称：Deep-Learning-Questions-for-Interviews

文件大小：3KB

文件格式：ZIP

更新时间：2024-05-18 23:19:46

深度学习中有趣和有趣的面试方式 交叉熵是否比l2损失好？ 与S形激活一起使用时，交叉熵在学习上更好（更快）。 这是因为交叉熵激活的导数在反向传播期间抵消了S形导数。 由于S形导数在1和0处饱和，并且减慢了训练速度，因此当S形导数项的导数被取消时，学习会更快，并且可以防止梯度问题消失。 完全删除池后会发生什么？ 删除池有什么好处？ 最大池化的优点是什么？ 合并的优点：合并有助于平移不变性。 合并导致输入图像的较大部分在以后的层中表示。 如果没有池，则网络将学习其自己的空间池，因为通常池层没有参数。 零填充的作用是什么？ 零填充用于不丢失边界中的像素（信息），并使输出特征图固定尺寸。 什么是1x1卷积？它们如何提供帮助？ 1x1卷积可通过减少过滤器大小的数量来帮助减少参数的数量。 它主要用于Inception网络。 如果输入为WXHX F1，则经过F2 1X1滤波后，输出将为WXHX

【文件预览】：
Deep-Learning-Questions-for-Interviews-master
----README.md(5KB)