个人总结知识点
1.问：为什么y=wx明明是一个矩阵，而损失函数是一个值
2，问：支持向量机SVM与逻辑回归的关系
SVM把逻辑回归的sigmoid函数换成核函数，损失函数由平均交叉熵换成了不同分类的距离间隔
3，问：深度学习与逻辑回归的区别
在计算y=wx时，将逻辑回归的函数变成几十个函数的嵌套，然后利用链式求导法则对嵌套的几十个函数进行反向求导，得出损失函数
4，问：过拟合的原因
过多的参数
5，问：深度学习中需要调的参数
正则化系数，卷积核的权值，学习率等
6，问：过拟合的解决方法
1，dropout 2，使用池化（减少了参数） 3，加入L1,L2正则化，批正则化 4，数据增强 5，迁移学习 6，多个神经网络结果平均 7，RNN时，调试阶段提前终止训练 8，对抗训练 9，稀疏编码 10，流型正切
书本知识点总结
1，关于权值共享的通俗解释
2，BP反向传播的自动求导的过程
3.sigmoid函数实现二分类的原理
4，逻辑回归/深度学习这些的大致工作原理和过程
5，如何根据预测y和实际y的差别更新参数w
6，L1,L2正则化的区别
书本43页
7，opencv提取图像边缘的算法
8，1X1卷积层的作用
9，反卷积的实质
实质就是将原矩阵扩大后中间补0，然后对扩大后的矩阵做卷积。
10，学习率调整方法
11，VGG16的特征提取部分只使用了3X3的卷积核，以及2X2的池化层
12，提高检测精度的几种方法