深度学习面试题之CNN

1、介绍下卷积操作的作用

卷积网络中的卷积核参数是通过网络训练出来的

通过卷积核的组合以及随着网络后续操作的进行，卷积操作可获取图像区域不同类型特征；基本而一般的模式会逐渐被抽象为具有高层语义的“概念”表示，也就是自动学习到图像的高层特征。

2、CNN结构特点

局部连接，权值共享，池化操作，多层次结构。

1、局部连接使网络可以提取数据的局部特征

2、权值共享大大降低了网络的训练难度，一个Filter只提取一个特征，在整个图片（或者语音／文本）中进行卷积

3、池化操作与多层次结构一起，实现了数据的降维，将低层次的局部特征组合成为较高层次的特征，从而对整个图片进行表示。

3、CNN的特点以及优势

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

局部连接：可以提取局部特征。
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）。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）
降维：通过池化或卷积stride实现。
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

4、CNN权值共享问题

首先权值共享就是滤波器共享，滤波器的参数是固定的，即是用相同的滤波器去扫一遍图像，提取一次特征，得到feature map。在卷积网络中，学好了一个滤波器，就相当于掌握了一种特征，这个滤波器在图像中滑动，进行特征提取，然后所有进行这样操作的区域都会被采集到这种特征，就好比上面的水平线。

5、什么是感受野

后一层神经元在前一层神经元的感受空间；

注意：小卷积核（如3*3）通过多层叠加可取得与大卷积核（如7*7）同等规模的感受野，此外采用小卷积核有两个优势：

1、小卷积核需多层叠加，加深了网络深度进而增强了网络容量(model capacity)和复杂度（model complexity）
2、增强了网络容量的同时减少了参数个数。

6、简单说说CNN常用的几个模型

7、CNN是什么，CNN关键的层有哪些？

CNN是卷积神经网络，其关键层有：
① 输入层，对数据去均值，做data augmentation等工作
② 卷积层，局部关联抽取feature
③ 激活层，非线性变化
④ 池化层，下采样
⑤ 全连接层，增加模型非线性
⑥ 高速通道，快速连接
⑦ BN层，缓解梯度弥散2、什么是CNN的池化pool层？
池化，简言之，即取区域平均或最大

8、pooling层作用

**增加特征平移不变性。**汇合可以提高网络对微小位移的容忍能力。

**减小特征图大小。**汇合层对空间局部区域进行下采样，使下一层需要的参数量和计算量减少，并降低过拟合风险。

**最大汇合可以带来非线性。**这是目前最大汇合更常用的原因之一。

9、卷积层和池化层有什么区别

1、卷积层有参数，池化层没有参数

2、经过卷积层节点矩阵深度会改变，池化层不会改变节点矩阵的深度，但是它可以缩小节点矩阵的大小。

10、卷积层参数数量计算方法

假设输入层矩阵维度是3，第一层卷积层使用尺寸为5∗55*55∗5、深度为16的过滤器（卷积核尺寸为5∗55*55∗5、卷积核数量为16），那么这层卷积层的参数个数为5∗5∗3∗16+16=1216个5*5*3*16+16=1216个5∗5∗3∗16+16=1216个

11、卷积层输出大小计算

卷积中的特征图大小计算方式有两种，分别是‘VALID’和‘SAME’，卷积和池化都适用，除不尽的结果都向下取整。公式**：O=(W−F+2P)/S+1O = (W-F+2P)/S+1O=(W−F+2P)/S+1，**输入图片（Input）大小为I=W∗WI=W*WI=W∗W，卷积核（Filter）大小为F∗FF*FF∗F，步长（stride）为S，填充（Padding）的像素数为P。

1、SAME填充方式：填充像素。conv2d函数常用。

2、VALID填充方式：不填充像素，Maxpooling2D函数常用。"SAME"卷积方式，对于输入5x5图像，图像的每一个点都作为卷积核的中心。最后得到5x5的结果，通俗的来说：首先在原图外层补一圈0，将原图的第一点作为卷积核中心，若一圈0不够，继续补一圈0。如下图所示：