深度学习，机器学习面试问题

1.为什么使用Relu激活函数，作用是什么？

如不特别说明，激活函数一般是指非线性激活函数，使用激活函数的目的是为了提高网络的非线性建模能力，如果只是卷积和全连接操作，那么网络模型还只是在线性空间上的表达

1）sigmoid激活函数：处处可导，两侧接近于0.sigmoid函数的软饱和性限制了神经网络的发展，网络传导的时候，若节点调入饱和区，（sigmoid关于输入的导数）改点导数为0，也就表示为前一层向底层传递的梯度变得非常小（实际上我们可以认为前一层和后一层大致相同，梯度为0，我们称之为梯度消失），虽然sigmoid会导致梯度消失，但是他也有积极地一面。例如它在物理意义上最为接近生物神经元。 (0, 1) 的输出还可以被表示作概率，或用于输入的归一化，代表性的如Sigmoid交叉熵损失函数

2）ReLU：①单侧抑制 ②相对宽阔的兴奋边界 ③稀疏激活性。 在x<0 时硬饱和。由于 x>0时导数为 1，所以，ReLU 能够在x>0时保持梯度不衰减，从而缓解梯度消失问题。但随着训练的推进，部分输入会落入硬饱和区，导致对应权重无法更新。这种现象被称为“神经元死亡”。

针对这一题来说，可以认为Relu可以解决梯度消失问题，稀疏激活性，单侧抑制等

参考：

http://www.cnblogs.com/neopenx/p/4453161.html

深度学习大讲堂（权威）：https://zhuanlan.zhihu.com/p/22142013

2）梯度弥散是什么？

随着网络深度的增加，整体的损失函数相对于最初几层的权值的导数变得很小，以至于对样本不能很好地学习。

解决方法：（DNN）隐层的激活函数使用了 ReLU,改善了“梯度弥散”，通过正则化+dropout 改善了过拟合的现象，在输出层 是softmax 作为激活函数。目标函数是交叉熵。CNN解决梯度弥散是使用的权值共享的策略。

参考：梯度弥散 - Losteng的博客 - CSDN博客 http://blog.csdn.net/losteng/article/details/51020552

3）dropout是怎么实现的

http://blog.csdn.net/hjimce/article/details/50413257