cnn和lstm原理
cnn基础理论
1.图像是怎么表示的
用像素点表示，0～256
2.为什么不用全连接层表示图片
因为参数量太多了，比如一个24*24的图片，576个像素点，输入到256*128的网络里，第一层参数量是576*256个参数，占用字节空间是576*256*4 byte.
3.局部感知野
降低参数量，权值共享
通过滑动窗口来完成整个区域的扫描
通过权值共享来完成参数量不增加
4. 卷积为什么是先相乘，再累加
从信号学上理解
卷积核的理解：
比如一个3*3的卷积核，里面的值都一样，表示周围像素点对当前像素点的影响
比如做边缘检测的卷积核，表示当前像素点对周围的试探
5.对padding和stride的理解
padding可以使输出的长度宽度增加
stride可以使输出的长度宽度降低
两者一起使用可以使的输出的长度宽度可以调节。
6.池化层
7.channel
channel可以理解为卷积核的数量，图片输入是[b,w,h,c],随着网络的加深，希望w和c越来越小,c越来越大，长度宽度越来越小，通道数越来越多。
多通道输入，多通道输出。
8.深层cnn如何防止过拟合
残差网络？
9. xception的输出维度
base_model的输出是[b,2048,h,w],2048表示通道数，通过一个avg pooling把宽和宽的像素值加起来做个均值。
1.介绍一下卷积神经网络
图像识别任务里面卷积神经网络比较常见。先说经典的全连接神经网络为什么不太适合图像识别任务：
一是参数太多，图像是由像素点矩阵来表示的，假如一个25*25*1的矩阵，每个像素点都连接dense层的话，维度会很大。
二是没有利用像素之间的位置信息，单个像素和其周围像素的联系是比较紧密的。
三是网络层数限制，全连接网络超过三层很容易出现梯度消失问题。？是用池化层来缓解梯度消失的问题吗
然后说说卷积神经网络，一个卷积神经网络由若干卷积层、池化层、全连接层组成。
2.如何理解卷积
卷积其实是周围像素点(卷积核大小的像素点)对当前像素点的影响。
rnn和lstm理论基础
rnn会把之前所有的结果都记下来，记的多了就不准了，离着太远的对当前影响不大。
lstm的优化点可以忘掉前面的一些信息。c控制什么信息保留下来，什么信息丢弃。
lstm面试题
1.介绍一下RNN、LSTM、GRU？他们的区别和联系是什么
rnn: rnn中隐藏层的输出不仅取决于当前的输入x，还取决于上一次隐藏层的输出值。适合处理数据有先后顺序的一种神经网络结构。
rnn在训练中比传统的网络更容易发生梯度爆炸和梯度消失。
梯度消失：根源是神经网络天然属性决定的：反向传播，链式求导。rnn的序列太长的话，激活函数的导数最大是1，经常小于1，很多小于1的数相乘，趋紧于0.
梯度爆炸: 参数过大的时候，链式相乘，发生梯度爆炸。
lstm:是基于rnn改进而来的，解决了rnn的梯度消失梯度爆炸问题。相比rnn多了一个遗忘门，决定了上一时刻的信息有多少保留到当前时刻。其实门的结构很简单，就是一个sigmoid层和一个点乘操作的组合，因为sigmoid层的输出是0-1的值，这代表有多少信息能够流过sigmoid层。0表示都不能通过，1表示都能通过。
视频分类
1.为什么用cnn+lstm而不是用3d卷积
xception
深度可分离卷积
各种卷积层的理解
深度可分离卷积
keras里的AP
xception
在inception的基础上，结合深度可分离卷积。深度可分离卷积：图像是三个通道（平面+空间），深度可分离卷积是在空间维度上把卷积拆分，降低参数量。
