版权声明：本文为博主原创文章，转载请注明出处。 https://blog.csdn.net/miclover_feng/article/details/82806726
1、CNN的核心是什么？
局部感知，权值共享，池化和层次化
2、卷积操作是怎样进行的？
对于图像的不同局部的矩阵和卷积矩阵的各个位置的元素相乘，然后相加求和。
3、卷积反向传播过程？
4、Tensorflow中卷积操作是怎样实现的？
（w，h，in，ou）四维张量。
5、池化又是怎样操作的，反向传播过程中池化层怎么接受后面传过来的损失的
接收上一层的梯度，并且按照之前下采样的方式，用上采样将梯度矩阵还原成原来大小的。
6、GDBT介绍一下
梯度提升树模型。是属于boosting模型范畴，主要思想是，利用损失函数的负梯度作为残差的近似值，新的树通过不断地拟合残差得到。（与提升树的区别是，残差的计算不同，提升树使用的是真正的残差，梯度提升树用当前模型的负梯度来拟合残差）
7、逻辑回归中sigmoid函数的好处？以及为什么用极大似然？
