1.什么是one-hot编码？为什么使用？
one-hot编码 是一种把类别数据（分类变量）转换为数值型向量 的方式，常用于机器学习和深度学习中。计算机擅长处理数字，但分类数据（比如"红/绿/蓝"）是非数值的。如果直接用数字代替类别（比如红=1，绿=2，蓝=3），模型可能会误以为它们之间存在大小关系或距离（例如蓝 > 绿 > 红），但其实类别之间没有这种顺序。所以需要 one-hot 编码，把每个类别表示成一种"独立"的方式。
2.卷积层总结
卷积核的channel与输入特征层的channel相同
输出特征矩阵的channel与卷积核的个数相同
3.常用激活函数
3.1 sigmoid激活函数
缺点在于Sigmoid激活函数饱和时梯度值非常小，故网络层数较深时,容易出现梯度消失现象
3.2 ReLU激活函数
缺点在于当反向传播过程中有一个非常大的梯度经过时，反向传播更新后可能导致权重分布中心小于0，导致该处的倒数始终为0，反向传播无法更新权重，即进入失活状态
3.3 为什么使用激活函数
因为在我们的计算过程中是一个线性的计算过程，为了引入非线性因素，使其具备非线性计算能力，那么就需要通过一个非线性函数来达到这个目的。在实际应用中，ReLU函数用的更多
4.当卷积过程中出现越界时如何解决
使用padding的方式在图像周围补零即可，补完之后便可以正常卷积；在卷积操作过程中，矩阵经卷积操作后的尺寸由以下几个因素决定：
- 输入图片大小w*w
- Filter大小F*F Filter表示滤波器或者叫做卷积核kernel
- 步长 S
- padding的像素p
经卷积后的矩阵尺寸大小计算公式为：
5.池化层
5.1目的
对特征图进行稀疏处理，减少数据运算量
5.2特点
没有训练参数（卷积层的每个卷积核都有各自的参数），只是在原始的特征层上求取最大值（MaxPooling下采样层）或者最小值
只改变特征矩阵的w和h，不改变channel（深度）
一般poolsize（池化核大小）和stride（布局）相同
6.反向传播过程中的一些问题
6.1什么是反向传播
反向传播BP是神经网络学习的核心算法，它的作用是自动计算每个参数（权重、偏置）对最终误差（损失）的影响，并用这些信息来更新参数，让模型学得越来越好。
6.1.2正向传播
输入数据经过神经网络（层层加权、非线性激活），得到输出结果。用损失函数衡量输出和真实标签之间的差距。
例如：预测结果为0.8 ，真实值为1 ，损失为0.04。
6.1.3反向传播
反向传播就是从输出层往输入层"反传"误差，计算每个参数应该怎样调整。
核心思想：用链式法则（微积分中的导数规则） ，逐层计算损失函数对每个参数的偏导数（梯度） 。梯度表示"如果我稍微改变这个参数，损失会变大还是变小"。计算完梯度后，用优化算法（最常见是梯度下降）来更新参数：
其中
是权重参数，
为学习率，
是损失函数对参数的梯度
总结：反向传播 = 链式法则 + 梯度下降，它让神经网络能够"自我调整"，学会从错误中改进。如果没有反向传播，神经网络就无法有效训练。
6.2损失的计算一般为：交叉熵损失（Cross Entropy Loss）
6.2.1针对多分类问题
softmax输出，所有输出概率和为1，公式如下：
对于上述两个公式其中
为真是标签值，
为输出预测值，
默认
以e为底
6.3优化器optimazer
6.3.1 SGD优化器
为学习率，
为t 时刻对参数
的损失梯度
缺点：易受样本噪声的影响，可能陷入局部最优解
6.3.2 SGD+Momentum优化器（常用）
为学习率，
为t 时刻对参数
的损失梯度,
为动量系数
6.3.3 Adagrad优化器（自适应学习率）
为学习率，
为t 时刻对参数
的损失梯度,
为防止分母为零的小数
缺点：学习率下降的太快，可能还没收敛就停止训练了
6.3.4 RMSProp优化器（自适应学习率）
为学习率，
为t 时刻对参数
的损失梯度，
为动量系数，控制衰减速度，
为防止分母为零的小数