1.输入图片大小为200×200，依次经过一层卷积（kernel size 5×5，padding 1，stride 2），pooling（kernel size 3×3，padding 0，stride 1），又一层卷积（kernel size 3×3，padding 1，stride 1）之后，输出特征图大小是多少？
分析：
(1) 只经过一层卷积和时尺寸改变：n−f+1n−f+1，其中nn为输入图片的尺寸，ff为卷积核的尺寸
(2) 在边缘填充p层之后再经过一层卷积：n+2p−f+1n+2p−f+1
(3) 卷积核的步长（stride）为s：n+2p−fs+1n+2p−fs+1
(4) pooling与卷积核对尺寸的改变相同：n−f+1n−f+1，其中nn为输入尺寸，ff为pooling核的尺寸
第一层：
size1=200+2×1−52+1=99.5size1=200+2×1−52+1=99.5
这就尴尬了，怎么会有小数？
这种情况在GoogLeNet中遇到过，解决的办法就是：
卷积向下取整，池化向上取整。
所以经过第一层卷积之后大小为98x98。
第二层：
size2=99−3+1=97size2=99−3+1=97
第三层：
size3=97+2×1−3+1=97size3=97+2×1−3+1=97
2.在统计模式识分类问题中，当先验概率未知时，可以使用(BC)?
- A. 最小损失原则
- B. N-P判决
- C. 最小最大损失准则
- D. 最小误判概率准则
分析：
最小最大损失准则：考虑p(c)变化的条件下，是风险最小
最小误判概率准则， 就是判断p(c1|x)和p(c2|x)哪个大，x为特征向量，c1和c2为两分类，根据贝叶斯公式，需要用到先验知识;
最小损失准则，最小最大损失准则基础之上，还要求出p(c1|x)和p(c2|x)的期望损失，需要先验概率
N-P判决，即限定一类错误率条件下使另一类错误率为最小的两类别决策，即在一类错误率固定的条件下，求另一类错误率的极小值的问题，直接计算p(x|w1)和p(x|w2)的比值，不需要用到贝叶斯公式。
3.假定某同学使用Naive Bayesian（NB）分类模型时，不小心将训练数据的两个维度搞重复了，那么关于NB的说法中正确的是：BD
- A.这个被重复的特征在模型中的决定作用会被加强
- B.模型效果相比无重复特征的情况下精确度会降低
- C.如果所有特征都被重复一遍，得到的模型预测结果相对于不重复的情况下的模型预测结果一样。
- D.当两列特征高度相关时，无法用两列特征相同时所得到的结论来分析问题
- E.NB可以用来做最小二乘回归
- F.以上说法都不正确
4.下列哪些方法可以用来对高维数据进行降维:
- A. LASSO
- B. 聚类分析
- C. 小波分析法
- D. 线性判别法
- E. 拉普拉斯特征映射
- F.主成分分析法
各个降维方法总结： https://blog.csdn.net/qrlhl/article/details/78067012
链接：https://www.nowcoder.com/questionTerminal/b831a67809fa4ba19d8cf9ed98ff6a21
题目来源：牛客网
