36、簡單說下sigmoid啟用函式

解析：

常用的非線性啟用函式有sigmoid、tanh、relu等等，前兩者sigmoid/tanh比較常見於全連線層，後者relu常見於卷積層。這裡先簡要介紹下最基礎的sigmoid函式（btw，在本部落格中SVM那篇文章開頭有提過）。

    sigmoid的函式表示式如下

    其中z是一個線性組合，比如z可以等於：b + w1*x1 + w2*x2。通過代入很大的正數或很小的負數到g(z)函式中可知，其結果趨近於0或1。

    因此，sigmoid函式g(z)的圖形表示如下（ 橫軸表示定義域z，縱軸表示值域g(z) ）：

    也就是說，sigmoid函式的功能是相當於把一個實數壓縮至0到1之間。當z是非常大的正數時，g(z)會趨近於1，而z是非常小的負數時，則g(z)會趨近於0。

    壓縮至0到1有何用處呢？用處是這樣一來便可以把啟用函式看作一種“分類的概率”，比如啟用函式的輸出為0.9的話便可以解釋為90%的概率為正樣本。

    舉個例子，如下圖（圖引自Stanford機器學習公開課）

    z = b + w1*x1 + w2*x2，其中b為偏置項 假定取-30，w1、w2都取為20

如果x1 = 0，x2 = 0，則z = -30，g(z) = 1/( 1 + e^-z )趨近於0。此外，從上圖sigmoid函式的圖形上也可以看出，當z=-30的時候，g(z)的值趨近於0

如果x1 = 0，x2 = 1，或x1 =1,x2 = 0，則z = b + w1*x1 + w2*x2 = -30 + 20 = -10，同樣，g(z)的值趨近於0

如果x1 = 1，x2 = 1，則z = b + w1*x1 + w2*x2 = -30 + 20*1 + 20*1 = 10，此時，g(z)趨近於1。

    換言之，只有x1和x2都取1的時候，g(z)→1，判定為正樣本；而當只要x1或x2有一個取0的時候，g(z)→0，判定為負樣本，如此達到分類的目的。

綜上，sigmod函式，是邏輯斯蒂迴歸的壓縮函式，它的性質是可以把分隔平面壓縮到[0,1]區間一個數（向量），線上性分割平面值為0時候正好對應sigmod值為0.5，大於0對應sigmod值大於0.5、小於0對應sigmod值小於0.5；0.5可以作為分類的閥值；exp的形式最值求解時候比較方便，用相乘形式作為logistic損失函式，使得損失函式是凸函式；不足之處是sigmod函式在y趨於0或1時候有死區，控制不好在bp形式傳遞loss時候容易造成梯度彌撒。

37、rcnn、fast-rcnn和faster-rcnn三者的區別是什麼

解析：

首先膜拜RBG（Ross B. Girshick）大神，不僅學術牛，工程也牛，程式碼健壯，文件詳細，clone下來就能跑。斷斷續續接觸detection幾個月，將自己所知做個大致梳理，業餘級新手，理解不對的地方還請指正。

傳統的detection主流方法是DPM(Deformable parts models)， 在VOC2007上能到43%的mAP，雖然DPM和CNN看起來差別很大，但RBG大神說“Deformable Part Models are Convolutional Neural Networks”（http://arxiv.org/abs/1409.5403）。

CNN流行之後，Szegedy做過將detection問題作為迴歸問題的嘗試（Deep Neural Networks for Object Detection），但是效果差強人意，在VOC2007上mAP只有30.5%。既然迴歸方法效果不好，而CNN在分類問題上效果很好，那麼為什麼不把detection問題轉化為分類問題呢？

RBG的RCNN使用region proposal（具體用的是Selective Search  Koen van de Sande: Segmentation as Selective Search for Object Recognition）來得到有可能得到是object的若干（大概10^3量級）影象區域性區域，然後把這些區域分別輸入到CNN中，得到區域的feature，再在feature上加上分類器，判斷feature對應的區域是屬於具體某類object還是背景。當然，RBG還用了區域對應的feature做了針對boundingbox的迴歸，用來修正預測的boundingbox的位置。

RCNN在VOC2007上的mAP是58%左右。RCNN存在著重複計算的問題（proposal的region有幾千個，多數都是互相重疊，重疊部分會被多次重複提取feature），於是RBG借鑑Kaiming He的SPP-net的思路單槍匹馬搞出了Fast-RCNN，跟RCNN最大區別就是Fast-RCNN將proposal的region對映到CNN的最後一層conv layer的feature map上，這樣一張圖片只需要提取一次feature，大大提高了速度，也由於流程的整合以及其他原因，在VOC2007上的mAP也提高到了68%。

探索是無止境的。Fast-RCNN的速度瓶頸在Region proposal上，於是RBG和Kaiming He一幫人將Region proposal也交給CNN來做，提出了Faster-RCNN。Fater-RCNN中的region proposal netwrok實質是一個Fast-RCNN，這個Fast-RCNN輸入的region proposal的是固定的（把一張圖片劃分成n*n個區域，每個區域給出9個不同ratio和scale的proposal），輸出的是對輸入的固定proposal是屬於背景還是前景的判斷和對齊位置的修正（regression）。Region proposal network的輸出再輸入第二個Fast-RCNN做更精細的分類和Boundingbox的位置修正。

Fater-RCNN速度更快了，而且用VGG net作為feature extractor時在VOC2007上mAP能到73%。個人覺得制約RCNN框架內的方法精度提升的瓶頸是將dectection問題轉化成了對圖片區域性區域的分類問題後，不能充分利用圖片區域性object在整個圖片中的context資訊。

可能RBG也意識到了這一點，所以他最新的一篇文章YOLO（http://arxiv.org/abs/1506.02640）又回到了regression的方法下，這個方法效果很好，在VOC2007上mAP能到63.4%，而且速度非常快，能達到對視訊的實時處理（油管視訊：https://www.youtube.com/channel/UC7ev3hNVkx4DzZ3LO19oebg），雖然不如Fast-RCNN，但是比傳統的實時方法精度提升了太多，而且我覺得還有提升空間。

38、在神經網路中，有哪些辦法防止過擬合？

解析：

緩解過擬合：

① Dropout

② 加L1/L2正則化

③ BatchNormalization

④ 網路bagging

39、CNN是什麼，CNN關鍵的層有哪些？

解析：

CNN是卷積神經網路，具體詳見此文：https://blog.csdn.net/v_july_v/article/details/51812459。

其關鍵層有：

① 輸入層，對資料去均值，做data augmentation等工作

② 卷積層，區域性關聯抽取feature

③ 啟用層，非線性變化

④ 池化層，下采樣

⑤ 全連線層，增加模型非線性

⑥ 高速通道，快速連線

⑦ BN層，緩解梯度彌散

40、GRU是什麼？GRU對LSTM做了哪些改動？

解析：

GRU是Gated Recurrent Units，是迴圈神經網路的一種。

GRU只有兩個門（update和reset），LSTM有三個門（forget，input，output），GRU直接將hidden state 傳給下一個單元，而LSTM用memory cell 把hidden state 包裝起來。

題目來源：

七月線上官網（https://www.julyedu.com/）——面試題庫——面試大題——深度學習 第32,37-40題。

深度學習是機器學習的一個分支。深度學習除了可以學習特徵和任務之間的關聯以外，還能自動從簡單特徵中提取更加複雜的特徵。深度學習演算法可以從資料中學習更加複雜的特徵表達，使得最後一步權重學習變得更加簡單且有效。

為了幫助大家系統地學習機器學習課程的相關知識，我們特意推出了機器學習集訓營系列課程。迄今為止，「機器學習集訓營」已經舉辦了四期，每一期都湧現出了不少優秀offer，特別是上一期很多同學從Java、Android、iOS等傳統IT行業成功轉行轉型轉崗AI拿到年薪三四十萬，部分甚至超過四十萬拿到五十萬。

本第五期，在第四期的基礎上，除了繼續維持“入學測評、直播答疑、佈置作業、階段考試、畢業考核、一對一批改、線上線下結合、CPU&GPU雙雲平臺、組織比賽、面試輔導、就業推薦”十一位一體的教學模式，本期特地推出機器學習工程師聯合認證。且線下在北京、上海、深圳、廣州、杭州、瀋陽、濟南、鄭州、成都的基礎上，新增武漢、西安兩個線下點，十一城同步開營。

此外，本期依然沿用前四期線上線下相結合的授課方式，加強專案實訓的同時引入線下BAT專家面對面、手把手的教學方式；突出BAT級工業專案實戰輔導 + 一對一面試求職輔導，並提供一年GPU雲實驗平臺免費使用，精講面試考點。讓每一位學員不用再為遇到問題沒人解答，缺乏實戰經驗以及簡歷上沒有專案經驗，面試屢屢遭拒而發愁。

本期限150個名額，歷時3個月，10多個BAT級工業專案，保障每一位學員所學更多、效率更高、收穫更大。

機器學習集訓營 第五期課程詳情可點選文末“閱讀原文”進行檢視，或者加微信客服：julyedukefu_02進行諮詢。

掃碼加客服微信