深度学习： 1、CNN的卷积核是单层的还是多层的？ 2、什么是卷积？ 3、什么是CNN的池化pool层？ 4、简述下什么是生成对抗网络。 5、学梵高作画的原理是什么？ 6、请简要介绍下tensorflow的计算图 7、你有哪些deep learning（rnn、cnn）调参的经验？ (*) 8、CNN最成功的应用是在CV，那为什么NLP和Speech的很多问题也可以用CNN解出来？为什么AlphaGo里也用了CNN？这几个不相关的问题的相似性在哪里？CNN通过什么手段抓住了这个共性？
23、简单说说CNN常用的几个模型 （*） 34、请详细说说CNN的工作原理 35、CNN究竟是怎样一步一步工作的？ 39、CNN是什么，CNN关键的层有哪些？ 36、聊一聊基于深度学习的目标检测技术演进：R-CNN、Fast R-CNN、Faster R-CNN （*） 37、rcnn、fast-rcnn和faster-rcnn三者的区别是什么 （*） 32、简单说下sigmoid激活函数 9、LSTM结构推导，为什么比RNN好？ 33、如何理解LSTM网络 10、Sigmoid、Tanh、ReLu这三个激活函数有什么缺点或不足，有没改进的激活函数。 11、为什么引入非线性激励函数？ 12、请问人工神经网络中为什么ReLu要好过于tanh和sigmoid function？ 13、为什么LSTM模型中既存在sigmoid又存在tanh两种激活函数？ 14、如何解决RNN梯度爆炸和弥散的问题？
梯度爆炸就是由于初始化权值过大，前面层会比后面层变化的更快，就会导致权值越来越大。 17、如何解决梯度消失和梯度膨胀 26、梯度爆炸会引发什么问题？ 27、如何确定是否出现梯度爆炸？ 28、如何修复梯度爆炸问题？ 15、什麽样的资料集不适合用深度学习？ 16、广义线性模型是怎被应用在深度学习中？ 19、深度学习常用方法 20、请简述神经网络的发展史 21、神经网络中激活函数的真正意义？一个激活函数需要具有哪些必要的属性？还有哪些属性是好的属性但不必要的？ 22、梯度下降法的神经网络容易收敛到局部最优，为什么应用广泛？ 24、为什么很多做人脸的Paper会最后加入一个Local Connected Conv？ 29、LSTM神经网络输入输出究竟是怎样的？
30、什么是RNN？ （*） 31、RNN是怎么从单层网络一步一步构造的？ （*） 38、在神经网络中，有哪些办法防止过拟合？ 40、GRU是什么？GRU对LSTM做了哪些改动？