1.将 100 个大小为 5 x 5 的滤波器应用于 500 x 500 x 3 的图像，输出结果是什么？
本题目考察卷积公式：
先计算一个滤波器输出的结果，输出结果高度为（矩形情况下）：,其中
为图像输入高度，
为滤波器尺寸，
为填充大小，
为步长。
本题目中=500,
=5,
(无填充),
=1。
所以输出图像高度为：
而滤波器数量为100，所以输出为
2.梯度下降法的标准方程是什么？
3.什么是生产对抗式网络？
生产对抗式网络是一种机器学习模型，由两个神经网络组成：生成器和判别器。生成器网络基于随机噪声输入生成的新的数据样本，判别器网络评估这些生成的样本，并将其与真实数据样本比较，以确定它们是真实的还是伪造的。通过迭代学习，生成器不断提高生产逼真样本的能力，而判别器不断提升区分真是样本和伪造样本的能力。
4.卷积神经网络的输出方程是什么？
单个输出的典型方程可以表示为：output=activation_function(sum(weight_i*input_i+bias))
weight_i和input_i分别表示第i个卷积核的权重和输入。
5.什么是深度学习？什么是机器学习？
深度学习是机器学习的一个分支。机器学习包含所有"让计算机利用经验改善性能的算法"，例如决策树、支持向量机、朴素贝叶斯，也包括深度学习。
深度学习和传统机器学习的区别在于，深度学习不需要人类手动将数据转化为机器能理解的特征向量，而深度学习可以实现对数据的端到端的处理
6.什么是overfit（过拟合）？
模型在训练数据上拟合的过好，把训练数据中的一些噪声当成了普适规律，导致在测试集上表现得很糟糕。过拟合的特征是验证集损失曲线先降后升，权重过大或者剧烈震荡。
7.如何防止过拟合？
增加数据量，数据增强，降低模型复杂度等等。
8.什么是正则化？L1正则化和L2正则化的区别是什么？
正则化的本质就是在损失函数里加入惩罚项，限制模型的复杂度。
L1正则化是权重的绝对值之和，L2正则化是权重的平方和。
L1正则化会让不重要的特征归0。L2正则化会让权重整体变小，但不会恰好为0，每个特征都保留一点点贡献。
9.什么是attention机制？
输入四个向量a1、a2、a3、a4，每一个向量都可以生产自己的三个q、k、v向量。
输出向量b1，b1是由a1的q向量和其他所有的向量的k、v向量逐个点积而成。
10.什么是自监督学习？
自监督学习的特征就是数据自己生产问题+数据自己提供答案。