Update 深度学习面试题.md

深度学习面试题.md

@@ -9,6 +9,13 @@
 + 权值共享大大降低了网络的训练难度，一个Filter只提取一个特征，在整个图片（或者语音／文本） 中进行卷积
 + 池化操作与多层次结构一起，实现了数据的降维，将低层次的局部特征组合成为较高层次的特征，从而对整个图片进行表示。
 
+## pooling层作用
+1. 增加特征平移不变性。汇合可以提高网络对微小位移的容忍能力。
+2. 减小特征图大小。汇合层对空间局部区域进行下采样，使下一层需要的参数量和计算量减少，并降低过拟合风险。
+3. 最大汇合可以带来非线性。这是目前最大汇合更常用的原因之一。
+### Reference
+[(二)计算机视觉四大基本任务(分类、定位、检测、分割](https://zhuanlan.zhihu.com/p/31727402)
+
 ## 什么样的数据集不适合深度学习
 + 数据集太小，数据样本不足时，深度学习相对其它机器学习算法，没有明显优势。
 + 数据集没有局部相关特性，目前深度学习表现比较好的领域主要是图像／语音／自然语言处理等领域，这些领域的一个共性是局部相关性。图像中像素组成物体，语音信号中音位组合成单词，文本数据中单词组合成句子，这些特征元素的组合一旦被打乱，表示的含义同时也被改变。对于没有这样的局部相关性的数据集，不适于使用深度学习算法进行处理。举个例子：预测一个人的健康状况，相关的参数会有年龄、职业、收入、家庭状况等各种元素，将这些元素打乱，并不会影响相关的结果。