目录
2.softmax输入很小时，导致概率接近于0，可能产生数值不稳定的问题，怎么解决？
1.神经网络输出均值为0的好处
这样可以使模型收敛的更加稳定，因为输出在0附近，可以控制梯度的变化幅度，防止梯度爆炸和梯度消失。tanh。
2.softmax输入很小时，导致概率接近于0，可能产生数值不稳定的问题，怎么解决？
这个问题可能有些小朋友不是很理解，我来详细说一下，比如三分类问题，网络输出为500，0.1，0.002，那么计算完softmax，第一个无限接近于1，最后一个无限接近于0，比如0.000000000001，这时就可能导致数值下溢的情况(超过计算机的表达位数)，所以他会对softmax的结果取一个log，这样无限接近0的值会被映射为负无穷，从而提高了最小值的表示精度。那么后面就可以和交叉熵损失函数结合。只需要将log-softmax结果与GT相乘加个负号就行。
3.为什么交叉熵损失函数要对概率加一个log？
为了将概率转换为对数空间，方便计算和优化，同时log可以将乘法变为加法，除法变为减法，降低计算复杂度。同时概率的输出在0-1，取完对数之后的输出更适合表示损失，同时还可以避免数值下溢的问题。
4.训练神经网络时，选择激活函数需要考虑什么？
非线性特性，避免梯度消失梯度爆炸，选择计算复杂度低的，提高训练推理效率。避免饱和区域。
5.神经网络有哪些初始化方法？
随机初始化，从一个均匀分布或高斯分布中随机抽取初始化权重和偏置，适用于大多数情况。
xavier初始化，使得输入和输出的方差保持一致，在一定程度上缓解了梯度消失和梯度爆炸，原理就是使用均匀分布或高斯分布，边界或方差由输入和输出的平均值的倒数决定。
何凯明初始化：考虑RELU激活函数的负半区特性，只需要在上面的基础上除以一个2.
预训练初始化：使用预训练模型权重来初始化。
6.将网络参数全部初始化为0可以吗？
不可以，这样引入对称性，导致所有的神经元梯度都是一样的，无法有效的学习。
7.深度学习评价指标
准确率：是指模型预测正确的样本占全部样本的比例。但当数据存在类别不均衡问题时，准确率可能会失真。比如某一类的预测很差，但是准确率还是很高。
精确率：是指模型预测为正样本的里面，哪些真的为正样本。
召回率：全部的正样本里面，有哪些被模型检出。
混淆矩阵：
- True Positive（真正例，TP）：实际为正例且被预测为正例的样本数量。
- False Positive（假正例，FP）：实际为负例但被预测为正例的样本数量。
- True Negative（真负例，TN）：实际为负例且被预测为负例的样本数量。
- False Negative（假负例，FN）：实际为正例但被预测为负例的样本数量。
ROC曲线：纵坐标为召回率。横坐标为总的负样本里面，被模型预测为正样本的比例。根据一些列不同的阈值，得到很多坐标点，将这些点连接成曲线。曲线下方的面积称为AUC.
关于正负样本比例对AUC的影响，AUC本身并不直接受正负样本比例的影响。AUC是基于排序概率或分数来计算的，因此在不同的正负样本比例下，AUC的值是保持不变的。这是因为ROC曲线的绘制只依赖于模型在不同阈值下的真正例率和假正例率，而不受样本数量的影响。
然而，正负样本比例可能会影响其他指标如准确率、召回率和精确率等，因为这些指标是基于具体的阈值来计算的。在不同的正负样本比例下，调整阈值可能会对这些指标产生影响。
AUC的具体意义可以解释为：随机选择一个正样本和一个负样本，模型预测正样本的概率高于负样本的概率的概率。用于评估二分类模型的性能。
F1score：是一个综合考虑了精确率和召回率的评估指标，用于评估二分类模型的性能。F1分数是精确率和召回率的调和平均值。可以在精确率和召回率之间取得一个折中的平衡。调和平均值相对于算术平均值更加重视较小的值，因此当精确率和召回率有一个较低时，F1分数将得到较低的值。
MAP：对于每个类别，计算其在不同阈值下的精确率和召回率。然后连成曲线，可以用插值的方法。然后对曲线进行积分，得到这个类别的ap，求所有类别的ap，然后求平均值。