- 介绍一下triplet loss
- 介绍一下基于triplet loss做的聚类
- triplet loss训的过程中会有什么问题
triplet 三元组抽样是如何抽的
-
如何做的评价,有没有和其他模型做对比
k-means的k如何选的 144
-
RNN有什么问题,梯度消失/爆炸?
如何解决梯度消失问题
介绍resnet
-
RNN为何有梯度消失问题
LSTM如何解决的RNN梯度消失问题
卷积核参数量
平移不变性 旋转不变性
不变性意味着即使目标的外观发生了某种变化,但是你依然可以把它识别出来。
cnn没有旋转不变性
cnn有平移不变性
- 池化层作用
- 特征不变性(feature invariant)汇合操作使模型更关注是否存在某些特征而不是特征具体的位置可看作是一种很强的先验,使特征学习包含某种程度自由度,能容忍一些特征微小的位移
- 特征降维由于汇合操作的降采样作用,汇合结果中的一个元素对应于原输入数据的一个子区域(sub-region),因此汇合相当于在空间范围内做了维度约减(spatially dimension reduction),从而使模型可以抽取更广范围的特征同时减小了下一层输入大小,进而减小计算量和参数个数
- 在一定程度上能防止过拟合的发生
- 增大感受野
- 过拟合
- vim替换(将 abc 替换为 xyz)
:s/abc/xyz/g - 代码题 最大正方形面积
1、挑2个项目介绍一下
2、supervisor损失函数用的什么
3、分割数据集
4、三元组采样了解吗
5、模型比SOTA差的原因是什么
6、代码题 跳格子