深度学习 面试准备【一】
目录
void
CNN篇
该部分内容包括：
- 卷积核大小选择
- 卷积操作中的计算
- 网络泛化能力
卷积核大小选择
需要注意的是，LeNet-5中的卷积核size为5×5。
卷积核尺寸通常为奇数
- 为了有明确的卷积核中心
- 便于padding，奇数的尺寸可以从图像的两边对称的padding
\(1\times 1\)卷积的作用
- 实现信息的跨通道交互和整合
- 对卷积核通道数进行降维和升维，减小参数量
卷积操作的尺寸变化
\[\begin{aligned}
n_{o u t} &=\left\lfloor\frac{n_{i n}+2 p-k}{s}\right\rfloor+ 1 \\
n_{i n} : & \text { number of input features } \\
n_{o u t} : & \text { number of output features } \\
k : & \text { convolution kernel size } \\
p : & \text { convolution padding size } \\
s : & \text { convolution stride size }
\end{aligned}
\]
当padding设置为SAME的时候，会自动补0；当padding设置为VALID的时候，只使用有效的数据故不会补0。
感受野的计算
\[\begin{aligned} n_{o u t} &=\left\lfloor\frac{n_{i n}+2 p-k}{s}\right\rfloor+ 1 \\
j_{o u t} &=j_{i n} * s \\
r_{o u t} &=r_{i n}+(k-1) * j_{i n} \\
\text {start}_{o u t} &=\operatorname{start}_{i n}+\left(\frac{\mathrm{k}-1}{2}-\mathrm{p}\right) * j_{i n}
\end{aligned}
\]
其中\(j\)是jump，含义是从最开始到现在跳过的连续特征点的数目，也就是从最开始到本层（除去本层）所有stride乘积。
减少卷积层参数量的方法
- 使用堆叠小卷积核代替大卷积核：VGG网络中2个\(3\times 3\)的卷积核可以代替1个\(5\times 5\)的卷积核
- 使用分离卷积操作：将原本\(K\times K\times C\)的卷积操作分离为\(K\times K\times 1\)和\(1\times1\times C\)的两部分操作
- 添加\(1\times 1\)的卷积操作：与分离卷积类似，但是通道数可变，在\(K\times K\times C_1\)卷积前添加\(1\times1\times C_2\)的卷积核（满足\(C_2 <C_1\)）
- 在卷积层前使用池化操作：池化可以降低卷积层的输入特征维度
提高CNN泛化能力
- 数据：
使用更多数据；
调整输入数据的分布使其尽量均匀：如BN层；
数据增强，如平移、旋转、裁剪、加噪声等； - batch size：在相同迭代次数和学习率的条件下，每批次采用更多的数据将有助于模型更好的学习到正确的模式，模型输出结果也会更加稳定；
- 目标函数：
比如L2比L1更能平衡样本作用，提高泛化能力；
添加权重矩阵的惩罚项来正则化； - 网络结构：
浅层增加网络深度，深层减少网络深度；
屏蔽网络节点：如dropout；
Reference
- 【干货】CNN 感受野首次可视化：深入解读及计算指南. https://mp.weixin.qq.com/s?__biz=MzI3MTA0MTk1MA==&mid=2651997001&idx=4&sn=3a0323b421a45e80520a411a3b21fe33
