更新幾個(gè)面試被問到或者聯(lián)想出來的問題，后面有時(shí)間回答
　　SGD 中 S（stochastic）代表什么
　　個(gè)人理解差不多就是Full-Batch和Mini-Batch
　　監(jiān)督學(xué)習(xí)／遷移學(xué)習(xí)／半監(jiān)督學(xué)習(xí)／弱監(jiān)督學(xué)習(xí)／非監(jiān)督學(xué)習(xí)？
　　本筆記主要問題來自以下兩個(gè)問題，后續(xù)會加上我自己面試過程中遇到的問題。
　　深度學(xué)習(xí)相關(guān)的職位面試時(shí)一般會問什么？會問一些傳統(tǒng)的機(jī)器學(xué)習(xí)算法嗎？
　　如果你是面試官，你怎么去判斷一個(gè)面試者的深度學(xué)習(xí)水平？
　　以下問題來自@Naiyan Wang
　　CNN最成功的應(yīng)用是在CV，那為什么NLP和Speech的很多問題也可以用CNN解出來？為什么AlphaGo里也用了CNN？這幾個(gè)不相關(guān)的問題的相似性在哪里？CNN通過什么手段抓住了這個(gè)共性？
　　Deep Learning -Yann LeCun， Yoshua Bengio & Geoffrey Hinton
　　Learn TensorFlow and deep learning， without a Ph.D.
　　The Unreasonable Effectiveness of Deep Learning -LeCun 16 NIPS Keynote
　　以上幾個(gè)不相關(guān)問題的相關(guān)性在于，都存在局部與整體的關(guān)系，由低層次的特征經(jīng)過組合，組成高層次的特征，并且得到不同特征之間的空間相關(guān)性。如下圖：低層次的直線／曲線等特征，組合成為不同的形狀，最后得到汽車的表示。
　　
　　CNN抓住此共性的手段主要有四個(gè)：局部連接／權(quán)值共享／池化操作／多層次結(jié)構(gòu)。
　　局部連接使網(wǎng)絡(luò)可以提取數(shù)據(jù)的局部特征；權(quán)值共享大大降低了網(wǎng)絡(luò)的訓(xùn)練難度，一個(gè)Filter只提取一個(gè)特征，在整個(gè)圖片（或者語音／文本） 中進(jìn)行卷積；池化操作與多層次結(jié)構(gòu)一起，實(shí)現(xiàn)了數(shù)據(jù)的降維，將低層次的局部特征組合成為較高層次的特征，從而對整個(gè)圖片進(jìn)行表示。